| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-30页 |
| ·课题的提出与研究意义 | 第12-13页 |
| ·机械设备故障诊断 | 第13-14页 |
| ·模式识别 | 第14-21页 |
| ·模式识别概述 | 第14-15页 |
| ·模式识别研究现状 | 第15-16页 |
| ·模式识别的主要研究方法 | 第16-17页 |
| ·模式识别研究内容 | 第17-21页 |
| ·故障模式识别研究现状 | 第21-25页 |
| ·基于谱分析方法的故障识别方法 | 第22-23页 |
| ·基于混沌分形理论的故障识别方法 | 第23页 |
| ·基于统计特征量的故障识别方法 | 第23-24页 |
| ·基于高阶统计量分析方法的故障识别方法 | 第24页 |
| ·基于时频分析的故障识别方法 | 第24-25页 |
| ·子空间技术 | 第25-27页 |
| ·本论文研究内容与结构安排 | 第27-30页 |
| ·论文研究内容 | 第27-28页 |
| ·论文结构安排 | 第28-30页 |
| 第二章 基于局部独立分量分析的降噪算法 | 第30-48页 |
| ·独立分量分析 | 第30-34页 |
| ·独立分量分析的数学基础 | 第31-32页 |
| ·独立分量分析研究历史及现状 | 第32-34页 |
| ·局部独立分量分析降噪算法 | 第34-39页 |
| ·独立分量分析在信号降噪中的应用 | 第34页 |
| ·局部独立分量分析降噪的基本原理 | 第34-35页 |
| ·局部独立分量分析降噪算法实现 | 第35-39页 |
| ·局部独立分量分析对仿真信号的降噪 | 第39-43页 |
| ·仿真信号 | 第39-40页 |
| ·降噪结果与分析 | 第40-43页 |
| ·局部独立分量分析降噪算法与全局投影算法的对比 | 第43-44页 |
| ·局部独立分量分析降噪算法在低速重载轴承故障诊断中的应用 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第三章 基于相空间重构与高斯混合模型的故障识别 | 第48-62页 |
| ·高斯混合模型 | 第49-53页 |
| ·高斯混合模型定义 | 第49-51页 |
| ·高斯混合模型参数估计 | 第51-53页 |
| ·基于相空间重构与高斯混合模型的分类算法 | 第53-56页 |
| ·故障模式的高斯混合模型建立 | 第53-54页 |
| ·故障模式识别 | 第54-56页 |
| ·相空间重构与高斯混合模型在齿轮故障识别中的应用 | 第56-59页 |
| ·基于振动信号的齿轮故障识别 | 第56-58页 |
| ·基于声信号的齿轮故障识别 | 第58-59页 |
| ·高斯混合模型参数对故障模式识别的影响 | 第59-61页 |
| ·训练数据量对识别率的影响 | 第60页 |
| ·混合模型数对识别率的影响 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第四章 四分位偏差分形维及其在故障识别中的应用 | 第62-77页 |
| ·时间序列的长程相关性 | 第62-66页 |
| ·标度不变性 | 第62-63页 |
| ·非趋势波动分析（DFA） | 第63-65页 |
| ·非趋势波动分析在齿轮故障识别中的应用 | 第65-66页 |
| ·四分位偏差分形维 | 第66-69页 |
| ·四分位偏差分形维算法实现 | 第66-69页 |
| ·henon 信号计算实例 | 第69页 |
| ·四分位偏差分形维在齿轮故障识别中的应用 | 第69-73页 |
| ·试验装置及测试方法简介 | 第69-70页 |
| ·计算参数及结果 | 第70-71页 |
| ·截距特征量 | 第71-73页 |
| ·四分位偏差分形维改进算法 | 第73-76页 |
| ·四分位偏差分形维存在的问题 | 第73页 |
| ·改进的四分位偏差分形维 | 第73-74页 |
| ·基于改进四分位偏差分形维与高斯混合模型的齿轮故障识别 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 基于局部核主分量分析与高斯混合模型的降维及分类算法 | 第77-92页 |
| ·基于核的特征提取技术 | 第77-80页 |
| ·核函数基本理论 | 第78-79页 |
| ·常用核函数 | 第79-80页 |
| ·核主分量分析 | 第80-82页 |
| ·主分量分析 | 第80-81页 |
| ·核主分量分析基本原理 | 第81-82页 |
| ·基于局部核主分量分析与高斯混合模型的故障识别算法 | 第82-86页 |
| ·模糊k-means 聚类 | 第83-85页 |
| ·模糊核主分量分析投影降维 | 第85页 |
| ·模糊投影矩阵的高斯混合模型 | 第85-86页 |
| ·局部核主分量分析与高斯混合模型的分类算法在齿轮故障识别中的应用 | 第86-90页 |
| ·主分量分析与核主分量分析结果对比 | 第86-87页 |
| ·LPCA-GMM 与LKPCA-GMM 对齿轮故障识别效果对比 | 第87-89页 |
| ·神经网络与LKPCA-GMM 对齿轮故障识别效果对比 | 第89-90页 |
| ·基于高斯混合模型的分类方法对比 | 第90-91页 |
| ·本章小结 | 第91-92页 |
| 第六章 总结与展望 | 第92-95页 |
| ·研究工作总结 | 第92-93页 |
| ·研究工作展望 | 第93-95页 |
| 参考文献 | 第95-105页 |
| 在学研究成果 | 第105-106页 |
| 致谢 | 第106-107页 |
| 论文主要创新点 | 第107页 |
