| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 课题来源 | 第15页 |
| 1.2 课题背景及研究意义 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-23页 |
| 1.3.1 故障特征提取方法概述 | 第16-18页 |
| 1.3.2 复杂系统故障预测方法概述 | 第18-23页 |
| 1.4 课题研究内容 | 第23页 |
| 1.5 论文组织架构 | 第23-25页 |
| 第二章 基于核主成分(KPCA)分析的特征提取方法研究 | 第25-35页 |
| 2.1 主元分析(PCA)原理介绍 | 第25-27页 |
| 2.1.1 主元个数的选择 | 第26页 |
| 2.1.2 PCA算法实现 | 第26-27页 |
| 2.2 核主元分析方法(KPCA) | 第27-30页 |
| 2.2.1 KPCA常用核函数简介 | 第28页 |
| 2.2.2 KPCA基本原理与推导 | 第28-30页 |
| 2.3 基于差分运算的KPCA特征提取研究 | 第30-31页 |
| 2.4 仿真验证 | 第31-34页 |
| 2.4.1 手写识别数据验证 | 第31-32页 |
| 2.4.2 TE过程数据验证 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于动态反馈极限学习机的故障预测应用研究 | 第35-55页 |
| 3.1 极限学习机(ELM)概述 | 第35-39页 |
| 3.1.1 SNN与DNN模型 | 第35-37页 |
| 3.1.2 极限学习机(ELM)原理 | 第37-39页 |
| 3.2 动态反馈极限学习机(DR-ELM) | 第39-42页 |
| 3.2.1 DR-ELM结构 | 第39-40页 |
| 3.2.2 DR-ELM实现步骤 | 第40-42页 |
| 3.3 DR-ELM性能验证 | 第42-46页 |
| 3.3.1 DR-ELM结构变化性能验证 | 第42-44页 |
| 3.3.2 自反馈层与趋势特征提取性能验证 | 第44-46页 |
| 3.4 基于DR-ELM的故障预测应用研究 | 第46-53页 |
| 3.4.1 TE过程介绍 | 第46-49页 |
| 3.4.2 TE过程变量预测验证 | 第49-52页 |
| 3.4.3 故障定位结果实验分析 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于改进在线序列极限学习机故障预测研究 | 第55-67页 |
| 4.1 在线序列极限学习机(OS-ELM)原理 | 第55-57页 |
| 4.2 基于误差反馈与自反馈改进的OS-ELM算法 | 第57-60页 |
| 4.3 仿真验证 | 第60-65页 |
| 4.3.1 自反馈与误差反馈性能验证 | 第60-61页 |
| 4.3.2 太阳黑子预测数据验证 | 第61-62页 |
| 4.3.3 TE过程故障预测实验 | 第62-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 工作总结 | 第67页 |
| 5.2 工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 研究成果及发表的学术论文 | 第75-77页 |
| 作者和导师简介 | 第77-79页 |
| 北京化工大学专业学位硕士研究生学位论文答辩委员会决议书 | 第79-80页 |
