| 第一章 概述 | 第1-12页 |
| 1．1 引言 | 第7页 |
| 1．2 航运信息系统的发展概况 | 第7-8页 |
| 1．3 信息处理技术的发展概况 | 第8-9页 |
| 1．4 存在的问题与解决思路 | 第9-10页 |
| 1．5 本文的主要工作 | 第10-12页 |
| 第二章 船舶智能信息管理系统的构造 | 第12-33页 |
| 2．1 引言 | 第12页 |
| 2．2 航运智能信息管理系统总体构架设想 | 第12-21页 |
| 2．2．1 船舶智能信息管理系统 | 第14-18页 |
| 2．2．1．1 驾驶智能信息管理系统 | 第15-16页 |
| 2．2．1．2 机舱智能信息管理系统 | 第16-17页 |
| 2．2．1．3 货运智能信息管理系统 | 第17-18页 |
| 2．2．2 船队智能信息管理系统 | 第18-21页 |
| 2．3 航运智能信息管理系统所依赖的关键技术 | 第21-22页 |
| 2．4 关键技术在机舱智能信息管理系统中的应用 | 第22-33页 |
| 2．4．1 计算机集成技术 | 第22-24页 |
| 2．4．1．1 分布式控制系统 | 第22-23页 |
| 2．4．1．2 现场总线控制系统 | 第23-24页 |
| 2．4．2 信息集成技术 | 第24-30页 |
| 2．4．2．1 数据库技术 | 第25-29页 |
| 2．4．2．1．1 分布式数据库技术 | 第25-27页 |
| 2．4．2．1．2 知识库技术 | 第27-28页 |
| 2．4．2．1．3 其它数据库技术 | 第28-29页 |
| 2．4．2．2 信息综合显示技术 | 第29-30页 |
| 2．4．3 智能集成方法 | 第30-33页 |
| 第三章 智能信息处理技术 | 第33-52页 |
| 3．1 引言 | 第33-34页 |
| 3．2 基于人工智能的趋势预测问题 | 第34-35页 |
| 3．3 基于人工神经网络的故障预测方法 | 第35-44页 |
| 3．3．1 基于递归网络的单步NARMA预测方法 | 第36-40页 |
| 3．3．2 基于递归网络的直接多步NARMA预测方法 | 第40页 |
| 3．3．3 基于对角递归网络的直接多步NARMA预测方法 | 第40-44页 |
| 3．4 基于人工智能的故障诊断问题 | 第44-46页 |
| 3．5 模糊逻辑、专家系统与神经网络集成的故障诊断方法 | 第46-52页 |
| 第四章 船舶智能信息管理系统的开发与应用 | 第52-74页 |
| 4．1 引言 | 第52页 |
| 4．2 软件系统的集成环境 | 第52-53页 |
| 4．3 软件系统的功能实现 | 第53-74页 |
| 4．3．1 集中监测报警部分 | 第53-65页 |
| 4．3．1．1 数据信息采集功能 | 第54-56页 |
| 4．3．1．2 参数越限报警功能 | 第56-58页 |
| 4．3．1．3 信息综合显示功能 | 第58-62页 |
| 4．3．1．4 系统配置维护功能 | 第62-65页 |
| 4．3．2 智能信息处理部分 | 第65-74页 |
| 4．3．2．1 参数预测功能 | 第65-68页 |
| 4．3．2．2 故障诊断功能 | 第68-70页 |
| 4．3．2．3 模型构造功能 | 第70-74页 |
| 第五章 结论与展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-79页 |
| 附录1 主机故障关系表 | 第79-81页 |
| 附录2 仿真运行结果与故障样本的比较 | 第81页 |
