| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-17页 |
| ·课题研究意义 | 第10页 |
| ·国内外的发展和现状 | 第10-14页 |
| ·抽油机故障诊断 | 第10-12页 |
| ·示功图测量 | 第12-13页 |
| ·神经网络 | 第13-14页 |
| ·本文主要内容 | 第14-17页 |
| 第2章 基本原理介绍 | 第17-38页 |
| ·示功图分析 | 第17-25页 |
| ·理论示功图 | 第18-20页 |
| ·故障示功图 | 第20-25页 |
| ·BP 神经网络原理 | 第25-31页 |
| ·BP 神经网络模型 | 第25-26页 |
| ·BP 神经网络的学习算法 | 第26-28页 |
| ·BP 神经网络的设计 | 第28-29页 |
| ·标准 BP 神经网络的分析 | 第29-31页 |
| ·RBF 神经网络原理 | 第31-36页 |
| ·RBF 神经网络模型 | 第31-32页 |
| ·RBF 神经网络的数学基础 | 第32-33页 |
| ·RBF 神经网络的设计 | 第33-35页 |
| ·标准 RBF 神经网络的分析 | 第35-36页 |
| ·本章小结 | 第36-38页 |
| 第3章 粒子群算法优化神经网络 | 第38-51页 |
| ·粒子群智能优化算法 | 第38-43页 |
| ·标准粒子群算法 | 第38-40页 |
| ·粒子群算法的参数分析及改进 | 第40-43页 |
| ·粒子群优化神经网络 | 第43-49页 |
| ·粒子群优化 BP 神经网络性能测试 | 第43-47页 |
| ·粒子群优化 RBF 神经网络性能测试 | 第47-49页 |
| ·本章小结 | 第49-51页 |
| 第4章 基于 PSO-BP 神经网络的示功图反演 | 第51-60页 |
| ·样本预处理 | 第51-54页 |
| ·样本抽取与网络维度优化 | 第51-53页 |
| ·样本归一化 | 第53-54页 |
| ·仿真分析 | 第54-59页 |
| ·PSO-BP 网络建立和训练 | 第54-55页 |
| ·PSO-BP 网络反演验证 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 第5章 基于 PSO-RBF 神经网络的示功图识别 | 第60-71页 |
| ·示功图特征参数提取 | 第60-64页 |
| ·傅里叶描述子 | 第60-61页 |
| ·傅里叶描述子提取示功图 | 第61-63页 |
| ·综合特征参数 | 第63-64页 |
| ·样本预处理 | 第64-66页 |
| ·仿真分析 | 第66-70页 |
| ·PSO-RBF 网络建立和训练 | 第66-67页 |
| ·PSO-RBF 网络识别验证 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| ·总结全文 | 第71-72页 |
| ·今后的研究方向 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读学位期间发表论文与研究成果清单 | 第77-78页 |
| 致谢 | 第78-79页 |