基于相关向量机的航空发动机故障诊断研究
| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第1章 绪论 | 第13-21页 |
| ·研究背景和意义 | 第13-14页 |
| ·航空发动机故障诊断国内外研究现状 | 第14-18页 |
| ·故障诊断技术概述 | 第14-15页 |
| ·智能诊断技术的国内外研究进展 | 第15-17页 |
| ·航空发动机故障诊断的国内外研究现状 | 第17-18页 |
| ·航空发动机智能故障诊断技术 | 第18-20页 |
| ·基于计算智能的故障诊断 | 第19页 |
| ·基于神经网络的故障诊断方法 | 第19页 |
| ·基于支持向量机的故障诊断方法 | 第19页 |
| ·基于相关向量机的故障诊断方法 | 第19-20页 |
| ·基于粒子群优化的相关向量故障诊断方法 | 第20页 |
| ·本文研究的创新点与论文结构 | 第20-21页 |
| ·本文研究的创新点 | 第20页 |
| ·论文结构 | 第20-21页 |
| 第2章 智能诊断方法研究 | 第21-37页 |
| ·机器学习的发展 | 第21页 |
| ·神经网络算法 | 第21-24页 |
| ·神经元模型 | 第22页 |
| ·人工神经网络的主要特点 | 第22-23页 |
| ·神经网络在故障诊断中的应用 | 第23-24页 |
| ·神经网络的缺陷 | 第24页 |
| ·支持向量机 | 第24-30页 |
| ·支持向量机的主要特点 | 第25页 |
| ·支持向量机基本理论 | 第25-30页 |
| ·最小二乘支持向量机 | 第30-34页 |
| ·最小二乘向量机分类算法 | 第30-32页 |
| ·最小二乘支持向量机回归算法 | 第32-33页 |
| ·最小二乘支持向量机算例 | 第33-34页 |
| ·支持向量机在航空发动机故障诊断中的应用 | 第34-35页 |
| ·相关向量机算法简介 | 第35页 |
| ·小结 | 第35-37页 |
| 第3章 相关向量机算法研究 | 第37-46页 |
| ·相关向量机预测算法 | 第37-42页 |
| ·模型描述 | 第37-39页 |
| ·参数推断 | 第39-41页 |
| ·相关向量机预测 | 第41页 |
| ·相关向量机预测算例 | 第41-42页 |
| ·相关向量机分类算法 | 第42-44页 |
| ·模型描述 | 第42页 |
| ·参数计算 | 第42-43页 |
| ·相关向量机分类算例 | 第43-44页 |
| ·相关向量机核函数 | 第44-45页 |
| ·小结 | 第45-46页 |
| 第4章 核参数优化方法研究 | 第46-54页 |
| ·粒子群算法 | 第46-49页 |
| ·粒子群算法研究 | 第46-47页 |
| ·粒子群算法的基本步骤 | 第47-48页 |
| ·粒子群算法的缺点 | 第48-49页 |
| ·量子粒子群算法 | 第49-51页 |
| ·量子粒子群的基本原理 | 第49-50页 |
| ·量子粒子群算法的基本步骤 | 第50页 |
| ·量子粒子群算法的优势 | 第50-51页 |
| ·相关向量机的核参数优化 | 第51页 |
| ·仿真算例 | 第51-53页 |
| ·预测算例 | 第51-52页 |
| ·分类算例 | 第52-53页 |
| ·小结 | 第53-54页 |
| 第5章 RVM 在航空发动机故障诊断中的应用 | 第54-65页 |
| ·航空发动机故障诊断 | 第54-55页 |
| ·气路诊断 | 第54-55页 |
| ·滑油系统诊断 | 第55页 |
| ·故障预测 | 第55-60页 |
| ·LS_SVM 方法 | 第55-56页 |
| ·RVM 方法 | 第56-57页 |
| ·QPSO-RVM 方法 | 第57-60页 |
| ·故障分类 | 第60-64页 |
| ·小结 | 第64-65页 |
| 第6章 结论与展望 | 第65-67页 |
| ·全文总结 | 第65-66页 |
| ·后续工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 附录 A 部分航空发动机预测数据 | 第72-73页 |
| 附录 B 硕士期间的研究成果 | 第73页 |
