| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 泄漏检测的挑战和机遇 | 第11-13页 |
| 1.3.1 面临的挑战 | 第11-12页 |
| 1.3.2 面临的机遇 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13-15页 |
| 第2章 压缩感知域智能故障诊断相关理论 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 传统故障诊断方法概述 | 第15-16页 |
| 2.2.1 传统方法处理过程 | 第15-16页 |
| 2.2.2 传统方法的局限性 | 第16页 |
| 2.3 基于压缩感知的数据采集 | 第16-18页 |
| 2.3.1 压缩感知理论基础 | 第16-17页 |
| 2.3.2 压缩采集测量矩阵 | 第17-18页 |
| 2.3.3 压缩感知在故障诊断中的应用 | 第18页 |
| 2.4 基于深度神经网络的故障识别 | 第18-21页 |
| 2.4.1 深度神经网络概述 | 第19-21页 |
| 2.4.2 深度神经网络在故障诊断领域的应用 | 第21页 |
| 2.5 基于压缩采集的智能故障诊断 | 第21-22页 |
| 2.6 本章小结 | 第22-24页 |
| 第3章 基于压缩采集及稀疏滤波的泄漏孔径识别 | 第24-39页 |
| 3.1 引言 | 第24页 |
| 3.2 基于稀疏滤波的自适应特征提取 | 第24-26页 |
| 3.2.1 稀疏滤波特征分布 | 第24-25页 |
| 3.2.2 稀疏滤波学习算法 | 第25-26页 |
| 3.3 基于回归分类的泄漏孔径识别 | 第26-28页 |
| 3.3.1 回归分类概述 | 第26-27页 |
| 3.3.2 泄漏孔径的回归分类 | 第27-28页 |
| 3.4 本章方法处理过程 | 第28-29页 |
| 3.5 实验结果及分析 | 第29-34页 |
| 3.5.1 实验概述 | 第29-30页 |
| 3.5.2 压缩采集的重要作用 | 第30-32页 |
| 3.5.3 稀疏滤波输出特征数量影响 | 第32页 |
| 3.5.4 Softmax回归权重衰减项影响 | 第32-33页 |
| 3.5.5 Softmax回归分类器的重要性 | 第33-34页 |
| 3.6 所提方法与传统方法比较 | 第34-38页 |
| 3.6.1 模型训练 | 第34-35页 |
| 3.6.2 特征提取 | 第35-36页 |
| 3.6.3 诊断性能 | 第36-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第4章 基于压缩采集及去噪稀疏自编码的泄漏孔径识别 | 第39-56页 |
| 4.1 引言 | 第39页 |
| 4.2 基于去噪稀疏自编码的自适应特征提取 | 第39-44页 |
| 4.2.1 稀疏自编码原理 | 第40页 |
| 4.2.2 鲁棒性特征表达 | 第40-41页 |
| 4.2.3 过拟合特征校正 | 第41-43页 |
| 4.2.4 深度神经网络的预训练与微调 | 第43-44页 |
| 4.3 本章所提方法的处理过程 | 第44-45页 |
| 4.4 实验结果及分析 | 第45-52页 |
| 4.4.1 压缩采集的实现 | 第46-49页 |
| 4.4.2 输出特征数量的影响 | 第49-50页 |
| 4.4.3 鲁棒性增强 | 第50页 |
| 4.4.4 过拟合校正 | 第50-52页 |
| 4.5 本文方法与传统算法比较 | 第52-55页 |
| 4.5.1 模型训练 | 第52-53页 |
| 4.5.2 特征提取能力 | 第53-54页 |
| 4.5.3 诊断性能 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64页 |