| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-19页 |
| ·课题的提出及其意义 | 第9-11页 |
| ·独立分量分析理论研究及应用现状 | 第11-15页 |
| ·独立分量分析理论研究 | 第11-13页 |
| ·独立分量分析的应用现状 | 第13-15页 |
| ·论文的主要内容与创新之处 | 第15-18页 |
| ·主要内容 | 第15-16页 |
| ·关键问题及创新点 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 2 变分贝叶斯独立分量分析的理论基础 | 第19-34页 |
| ·概述 | 第19-20页 |
| ·独立分量分析理论和算法 | 第20-27页 |
| ·独立分量分析模型 | 第20-21页 |
| ·独立分量分析模型的可辨识性及不确定性 | 第21-22页 |
| ·独立分量分析的主要算法 | 第22-25页 |
| ·基于四阶互累积量的代数算法—JADE | 第22-23页 |
| ·基于信息最大化的神经网络算法—Infomax | 第23-24页 |
| ·基于固定点迭代的快速神经网络算法—FastICA | 第24-25页 |
| ·传统的基于ICA机械故障源分离方法存在的不足 | 第25-27页 |
| ·贝叶斯网络 | 第27-30页 |
| ·贝叶斯网络概述 | 第27-28页 |
| ·贝叶斯网络的基本准则 | 第28-29页 |
| ·贝叶斯推论 | 第29-30页 |
| ·变分近似算法 | 第30-32页 |
| ·变分近似逼近 | 第30-31页 |
| ·目标函数最大化 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 3 基于变分贝叶斯理论的机械故障源盲源分离方法 | 第34-50页 |
| ·概述 | 第34-35页 |
| ·变分贝叶斯独立分量分析理论和算法 | 第35-42页 |
| ·基于贝叶斯网络的独立分量分析网络 | 第35-36页 |
| ·变分贝叶斯独立分量分析模型和算法 | 第36-39页 |
| ·变分贝叶斯独立分量分析混合模型 | 第37-38页 |
| ·变分贝叶斯独立分量分析信源模型 | 第38-39页 |
| ·变分贝叶斯独立分量分析算法 | 第39-41页 |
| ·模型初始参数的选择和预处理 | 第41-42页 |
| ·仿真实验 | 第42-45页 |
| ·实验研究 | 第45-49页 |
| ·轴承故障实验研究 | 第45-47页 |
| ·转子故障实验研究 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 4 噪声环境下的机械故障源数估计方法研究 | 第50-62页 |
| ·概述 | 第50-51页 |
| ·基于贝叶斯推论的源数估计 | 第51-55页 |
| ·贝叶斯推论和模型比较 | 第51-53页 |
| ·自相关测定 | 第53-54页 |
| ·源数估计比较算法 | 第54-55页 |
| ·仿真实验 | 第55-59页 |
| ·实验研究 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 5 基于变分贝叶斯和MLP网络的后非线性盲源分离 | 第62-72页 |
| ·概述 | 第62-63页 |
| ·传统PNL模型结构 | 第63-64页 |
| ·后非线性模型的可分离性 | 第64页 |
| ·VbPNL-MLP盲源分离方法 | 第64-68页 |
| ·MLP网络 | 第64-65页 |
| ·VbPNL模型 | 第65-68页 |
| ·目标函数 | 第67页 |
| ·MLP网络输出统计量的估计 | 第67-68页 |
| ·仿真实验 | 第68-70页 |
| ·实验研究 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 6 全文总结与展望 | 第72-75页 |
| ·全文总结 | 第72-73页 |
| ·进一步需要研究的问题 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间参与的科研项目和发表的学术论文 | 第79-80页 |
| 致谢 | 第80页 |