| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-9页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源及研究的目的意义 | 第9-11页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究的目的和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 装备性能衰退预测原理 | 第11-12页 |
| 1.2.2 装备性能衰退预测技术发展现状 | 第12-15页 |
| 1.2.3 函数型数据分析发展现状 | 第15页 |
| 1.3 本文研究的主要内容 | 第15-17页 |
| 第2章 离散装备性能数据的函数化处理 | 第17-32页 |
| 2.1 前言 | 第17页 |
| 2.2 基于基函数展开的函数拟合方法 | 第17-20页 |
| 2.2.1 拟合过程 | 第17-18页 |
| 2.2.2 基函数形式的选取 | 第18-20页 |
| 2.3 基于最小二乘法的参数选取 | 第20-25页 |
| 2.4 基于粗糙惩罚法的参数选取 | 第25-28页 |
| 2.4.1 粗糙惩罚法的求解过程 | 第25-27页 |
| 2.4.2 参数λ 的选择 | 第27-28页 |
| 2.4.3 粗糙惩罚法中 K 值的选取 | 第28页 |
| 2.5 应用验证 | 第28-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于过程回归分析的装备性能数据预测 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 过程回归分析模型的建立 | 第32-33页 |
| 3.3 基于过程回归分析的性能数据预测原理 | 第33-34页 |
| 3.4 基于过程回归分析的性能数据预测求解过程 | 第34-36页 |
| 3.4.1 积分算子的引入 | 第34页 |
| 3.4.2 函数的展开 | 第34-35页 |
| 3.4.3 权函数展开式系数的求解 | 第35-36页 |
| 3.5 应用验证 | 第36-42页 |
| 3.5.1 Mackey-Glass 时间序列预测 | 第36-39页 |
| 3.5.2 Logistic 时间序列预测 | 第39-41页 |
| 3.5.3 Full Logistic 时间序列预测 | 第41-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第4章 基于改进过程神经网络的装备性能数据预测 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 基于过程神经网络的数据预测模型 | 第44-48页 |
| 4.2.1 过程神经元模型 | 第44-45页 |
| 4.2.2 过程神经网络的结构与学习算法 | 第45-48页 |
| 4.3 基于卷积算法的过程神经网络 | 第48-51页 |
| 4.3.1 卷积算子应用于过程神经网络的可行性分析 | 第48页 |
| 4.3.2 基于卷积运算的过程神经网络学习算法 | 第48-50页 |
| 4.3.3 连续函数的快速卷积计算 | 第50-51页 |
| 4.4 应用验证 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 民用航空发动机性能衰退预测 | 第55-66页 |
| 5.1 引言 | 第55页 |
| 5.2 性能参数 EGT | 第55-59页 |
| 5.2.1 性能参数的选择 | 第55-57页 |
| 5.2.2 影响 EGT 的因素 | 第57-58页 |
| 5.2.3 降低 EGT 的措施 | 第58-59页 |
| 5.3 EGT 预测研究 | 第59-65页 |
| 5.3.1 基于过程回归分析的 EGT 预测 | 第59-60页 |
| 5.3.2 基于卷积过程神经网络的 EGT 预测 | 第60-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读学位期间发表的学术论文 | 第73-74页 |
| 致谢 | 第74页 |
