| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 主要符号含义 | 第13-14页 |
| 缩略字 | 第14-17页 |
| 第一章 绪论 | 第17-29页 |
| ·选题背景及研究意义 | 第17-19页 |
| ·国内外研究现状 | 第19-24页 |
| ·国内研究现状 | 第20-22页 |
| ·国外研究现状 | 第22-24页 |
| ·本文主要工作 | 第24-27页 |
| ·本文结构安排 | 第27-29页 |
| 第二章 行星齿轮箱故障实验与特征提取 | 第29-50页 |
| ·行星齿轮箱故障实验装置 | 第29-31页 |
| ·故障实验（一）：点蚀故障实验 | 第31-33页 |
| ·故障实验（二）：裂纹与断齿故障实验 | 第33-35页 |
| ·实验数据采集 | 第35-39页 |
| ·故障特征提取 | 第39-49页 |
| ·时域统计类特征 | 第41-47页 |
| ·频域统计类特征 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 故障诊断中的降维技术研究 | 第50-87页 |
| ·基于核空间的特征排序准则 | 第52-63页 |
| ·引言 | 第52-53页 |
| ·算法设计 | 第53-58页 |
| ·本算法在行星齿轮箱故障诊断中的应用 | 第58-62页 |
| ·本节小结 | 第62-63页 |
| ·基于多准则融合的特征选择算法 | 第63-77页 |
| ·引言 | 第63-64页 |
| ·算法设计 | 第64-69页 |
| ·本算法在行星齿轮箱故障诊断中的应用 | 第69-73页 |
| ·本节小结 | 第73-77页 |
| ·基于核特征选择和 KFDA 的混合降维算法 | 第77-86页 |
| ·引言 | 第77-78页 |
| ·算法设计 | 第78-80页 |
| ·本算法在行星齿轮箱故障诊断中的应用 | 第80-86页 |
| ·本节小结 | 第86页 |
| ·本章小结 | 第86-87页 |
| 第四章 基于解析解的 SVM 诊断模型参数优化算法 | 第87-109页 |
| ·引言 | 第87-88页 |
| ·SVM 原理 | 第88-91页 |
| ·算法设计 | 第91-98页 |
| ·高斯径向基核空间 | 第91-93页 |
| ·类离散度 | 第93-94页 |
| ·最优核参数的求解 | 第94-96页 |
| ·权向量的选择 | 第96-97页 |
| ·案例学习 | 第97-98页 |
| ·算法验证 | 第98-102页 |
| ·算法讨论 | 第102-103页 |
| ·本章小结 | 第103-109页 |
| 第五章 基于半监督学习的故障诊断算法 | 第109-122页 |
| ·引言 | 第109-110页 |
| ·K 近邻法原理 | 第110-112页 |
| ·算法设计 | 第112-115页 |
| ·样本排序 | 第112-115页 |
| ·半监督学习 | 第115页 |
| ·本算法在行星齿轮箱故障诊断中的应用 | 第115-121页 |
| ·本章小结 | 第121-122页 |
| 第六章 结论与展望 | 第122-125页 |
| ·本文的主要贡献 | 第122-123页 |
| ·下一步工作的展望 | 第123-125页 |
| 致谢 | 第125-126页 |
| 参考文献 | 第126-139页 |
| 攻博期间取得的研究成果 | 第139-141页 |