基于粒子滤波的齿轮箱故障诊断
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景和意义 | 第10页 |
| 1.2 齿轮箱故障诊断方法研究 | 第10-11页 |
| 1.3 粒子滤波的发展现状 | 第11-12页 |
| 1.4 粒子群算法的发展现状 | 第12页 |
| 1.5 论文的主要内容 | 第12-14页 |
| 第2章 粒子滤波理论 | 第14-31页 |
| 2.1 粒子滤波的理论基础 | 第14-19页 |
| 2.1.1 贝叶斯估计 | 第14-15页 |
| 2.1.2 蒙特卡洛积分 | 第15页 |
| 2.1.3 重要性采样 | 第15-16页 |
| 2.1.4 序列重要性采样 | 第16-17页 |
| 2.1.5 重采样 | 第17-18页 |
| 2.1.6 标准粒子滤波算法步骤 | 第18-19页 |
| 2.2 粒子滤波算法仿真 | 第19-22页 |
| 2.3 粒子滤波降噪仿真 | 第22-26页 |
| 2.4 粒子滤波在振动信号处理中的应用 | 第26-30页 |
| 2.5 小结 | 第30-31页 |
| 第3章 基于信息熵的振动信号特征向量提取 | 第31-39页 |
| 3.1 信息熵的基础知识 | 第31-33页 |
| 3.1.1 信息熵的定义 | 第31页 |
| 3.1.2 奇异谱熵 | 第31-32页 |
| 3.1.3 功率谱熵 | 第32-33页 |
| 3.1.4 小波能谱熵 | 第33页 |
| 3.2 利用三种熵值提取特征向量 | 第33-38页 |
| 3.3 小结 | 第38-39页 |
| 第4章 基于改进粒子群算法的支持向量机模式识别 | 第39-55页 |
| 4.1 粒子群算法的基本思想 | 第39-41页 |
| 4.1.1 原始粒子群算法 | 第39页 |
| 4.1.2 标准粒子群算法 | 第39-40页 |
| 4.1.3 粒子群算法的参数设置 | 第40-41页 |
| 4.2 粒子群算法改进策略 | 第41-46页 |
| 4.2.1 标准粒子群算法的局限性 | 第41-42页 |
| 4.2.2 状态超限之后重新初始化 | 第42页 |
| 4.2.3 基于个体最优状态的变异操作 | 第42-43页 |
| 4.2.4 改进粒子群算法的流程 | 第43页 |
| 4.2.5 改进的粒子群算法的性能分析 | 第43-46页 |
| 4.3 支持向量机 | 第46-51页 |
| 4.3.1 线性支持向量机 | 第46-48页 |
| 4.3.2 非线性支持向量机 | 第48-49页 |
| 4.3.3 核函数 | 第49-50页 |
| 4.3.4 模型参数的选择 | 第50-51页 |
| 4.4 基于改进粒子群算法的支持向量机的模式识别 | 第51-54页 |
| 4.5 小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 在学期间发表的学术论文和参加科研情况 | 第62页 |
