| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 盲源分离的发展及研究现状 | 第10-14页 |
| 1.3 盲源分离在机械故障诊断中的研究现状 | 第14页 |
| 1.4 本文研究内容 | 第14-16页 |
| 第二章 盲源分离基本理论 | 第16-34页 |
| 2.1 引言 | 第16页 |
| 2.2 盲源分离基本理论 | 第16-19页 |
| 2.2.1 盲源分离数学模型 | 第17页 |
| 2.2.2 盲源分离的基本假设 | 第17-18页 |
| 2.2.3 分离结果的不确定性 | 第18页 |
| 2.2.4 分离结果的评价标准 | 第18-19页 |
| 2.3 独立分量分析（ICA）算法 | 第19-32页 |
| 2.3.1 ICA的目标函数 | 第19-21页 |
| 2.3.2 ICA的常用算法 | 第21-27页 |
| 2.3.3 高斯白噪声信号对分离效果的影响 | 第27-29页 |
| 2.3.4 源信号的非高斯性对分离效果的影响 | 第29-32页 |
| 2.4 小结 | 第32-34页 |
| 第三章 基于虚拟多通道的单通道盲源分离算法 | 第34-55页 |
| 3.1 引言 | 第34页 |
| 3.2 虚拟多通道盲源分离算法 | 第34-35页 |
| 3.3 时空法 | 第35-41页 |
| 3.3.1 时空法的概念 | 第35-36页 |
| 3.3.2 实验 | 第36-41页 |
| 3.4 离散小波变换（Discrete Wavelet Transform） | 第41-46页 |
| 3.4.1 离散小波变换的概念 | 第41-43页 |
| 3.4.2 实验 | 第43-46页 |
| 3.5 经验模态分解（Empirical Model Decomposition） | 第46-50页 |
| 3.5.1 经验模态分解的概念 | 第46-48页 |
| 3.5.2 实验 | 第48-50页 |
| 3.6 总体经验模态分解法（Ensemble EMD） | 第50-54页 |
| 3.6.1 总体经验模态分解的概念 | 第50-51页 |
| 3.6.2 实验 | 第51-54页 |
| 3.7 小结 | 第54-55页 |
| 第四章 非抽样小波变换 | 第55-64页 |
| 4.1 引言 | 第55页 |
| 4.2 非抽样小波变换原理 | 第55-57页 |
| 4.3 实验分析 | 第57-59页 |
| 4.4 工程应用 | 第59-63页 |
| 4.5 小结 | 第63-64页 |
| 第五章 基于UWT-ICA单通道盲源分离算法 | 第64-82页 |
| 5.1 引言 | 第64页 |
| 5.2 基于UWT-ICA单通道盲源分离算法的原理 | 第64-65页 |
| 5.3 实验分析 | 第65-71页 |
| 5.3.1 仅利用逼近信号构建观测矩阵X | 第67-68页 |
| 5.3.2 仅利用细节信号构建观测矩阵X | 第68-69页 |
| 5.3.3 混合利用逼近信号和细节信号构建观测矩阵X | 第69-71页 |
| 5.4 滚动轴承的故障特征提取 | 第71-81页 |
| 5.4.1 轴承损伤模拟实验 | 第72-74页 |
| 5.4.2 轴承故障特征提取工程应用 | 第74-81页 |
| 5.5 小结 | 第81-82页 |
| 第六章 结论与展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-89页 |
| 致谢 | 第89页 |
