| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 论文研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 极限学习机研究现状 | 第14-15页 |
| 1.2.2 轴承故障诊断研究现状 | 第15-16页 |
| 1.3 论文的主要研究内容和工作 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第2章 排列熵与极限学习机理论 | 第19-28页 |
| 2.1 排列熵的基本理论 | 第19-21页 |
| 2.1.1 信息熵 | 第19-20页 |
| 2.1.2 排列熵 | 第20页 |
| 2.1.3 排列熵的性能分析 | 第20-21页 |
| 2.2 极限学习机模型 | 第21-27页 |
| 2.2.1 单隐层前馈型神经网络 | 第21-24页 |
| 2.2.2 极限学习机理论 | 第24-25页 |
| 2.2.3 标准ELM算法流程 | 第25-27页 |
| 2.2.4 ELM算法的性能分析 | 第27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 一种自适应参数的加权排列熵信息重构算法 | 第28-38页 |
| 3.1 问题的引入 | 第28页 |
| 3.2 自适应参数确定 | 第28-31页 |
| 3.2.1 参数独立性分析 | 第28-29页 |
| 3.2.2 互信息法 | 第29-30页 |
| 3.2.3 伪临近法 | 第30-31页 |
| 3.3 加权排列熵算法的提出 | 第31-35页 |
| 3.3.1 熵权重思想 | 第31-32页 |
| 3.3.2 加权排列熵理论 | 第32-33页 |
| 3.3.3 加权排列熵算法流程 | 第33-35页 |
| 3.3.4 自适应参数的加权排列熵流程 | 第35页 |
| 3.4 自适应参数的加权排列熵在信号重构中的应用 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 一种基于特征选择法改进极限学习机的故障诊断算法 | 第38-46页 |
| 4.1 问题分析 | 第38页 |
| 4.2 F-score模型理论 | 第38-39页 |
| 4.3 Wrapper与Filter特征筛选 | 第39-40页 |
| 4.3.1 Filter理论 | 第39页 |
| 4.3.2 Wrapper理论 | 第39-40页 |
| 4.4 特征选择改进的极限学习机故障诊断算法 | 第40-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 仿真实验分析 | 第46-60页 |
| 5.1 实验准备 | 第46-47页 |
| 5.2 信号处理 | 第47-49页 |
| 5.3 特征检测 | 第49-50页 |
| 5.3.1 PE检测信号特征 | 第49页 |
| 5.3.2 WPE检测信号特征 | 第49-50页 |
| 5.4 轴承故障诊断 | 第50-59页 |
| 5.4.1 信号重构 | 第50-53页 |
| 5.4.2 两种重构信号主成分提取 | 第53-54页 |
| 5.4.3 WPE-FWELM分类器离线试验 | 第54-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结及展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第68-69页 |