| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第10-20页 |
| 1．1 引言 | 第10-11页 |
| 1．2 声音特征信息的概述 | 第11-12页 |
| 1．3 机械运行状态预测技术的概述 | 第12-15页 |
| 1．3．1 机械状态预测技术的发展历程 | 第12-13页 |
| 1．3．2 机械状态预测技术的发展趋势 | 第13-15页 |
| 1．4 国内外声信号目标识别的发展状况 | 第15-18页 |
| 1．4．1 国外状况 | 第15-17页 |
| 1．4．2 国内状况 | 第17-18页 |
| 1．5 本文主要内容 | 第18-20页 |
| 第2章 声音模式识别的一般过程 | 第20-35页 |
| 2．1 声音信号的采集 | 第21-22页 |
| 2．2 预处理 | 第22-24页 |
| 2．3 特征分析提取 | 第24-31页 |
| 2．3．1 幅域分析 | 第24-25页 |
| 2．3．2 时域分析 | 第25-29页 |
| 2．3．3 频域分析 | 第29-30页 |
| 2．3．4 现代信号处理方法 | 第30-31页 |
| 2．4 学习和训练 | 第31-32页 |
| 2．5 分类识别 | 第32-34页 |
| 2．5．1 统计模式识别 | 第32-33页 |
| 2．5．2 句法分析技术 | 第33页 |
| 2．5．3 模糊分类器识别技术 | 第33页 |
| 2．5．4 神经网络分类器 | 第33页 |
| 2．5．5 人工智能方法 | 第33-34页 |
| 2．6 本章小结 | 第34-35页 |
| 第3章 利用小波变换提取声信号特征 | 第35-51页 |
| 3．1 小波的来源 | 第35-36页 |
| 3．2 小波变换的基本理论 | 第36-42页 |
| 3．2．1 连续小波变换 | 第36-39页 |
| 3．2．2 离散小波变换 | 第39-42页 |
| 3．3 小波变换的多分辨率分析 | 第42-43页 |
| 3．4 小波包分析 | 第43-44页 |
| 3．5 小波和小波包分解的信号重构 | 第44页 |
| 3．6 利用小波包系数检测异步电机转子故障 | 第44-47页 |
| 3．7 小波包技术应用于声源故障检测诊断的具体途径 | 第47-50页 |
| 3．8 本章小结 | 第50-51页 |
| 第4章 基于神经网络的分类器设计 | 第51-64页 |
| 4．1 人工神经网络与分类器 | 第51-53页 |
| 4．2 组合式分类器设计 | 第53-54页 |
| 4．3 Sigmoid激发函数下的BP算法 | 第54-61页 |
| 4．3．1 BP算法的推导 | 第54-58页 |
| 4．3．2 BP学习算法 | 第58-61页 |
| 4．4 本文在解决网络收敛速度慢方面采取的措施 | 第61-62页 |
| 4．4．1 采用区域映射模型的学习算法 | 第61-62页 |
| 4．4．2 利用改变学习速率提高网络收敛速度 | 第62页 |
| 4．5 本章小结 | 第62-64页 |
| 第5章 工程试验设计 | 第64-69页 |
| 5．1 信号采集 | 第64页 |
| 5．2 本文利用小波包能量提取声信号特征 | 第64-66页 |
| 5．3 利用神经网络设计组合式分类器 | 第66-67页 |
| 5．4 试验结果分析 | 第67-68页 |
| 5．5 本章小结 | 第68-69页 |
| 第6章 基于声信号处理故障识别系统设计 | 第69-82页 |
| 6．1 系统简介 | 第69-70页 |
| 6．2 系统工作的流程 | 第70-72页 |
| 6．3 声信号系统的各模块功能 | 第72-81页 |
| 6．4 本章小结 | 第81-82页 |
| 结论 | 第82-85页 |
| 参考文献 | 第85-88页 |
| 致谢 | 第88-89页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第89页 |