机械故障诊断中神经网络与D-S推理的信息融合技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-16页 |
| ·引言 | 第8页 |
| ·机械故障的概述 | 第8-12页 |
| ·故障的含义 | 第8页 |
| ·机械故障的特点 | 第8-9页 |
| ·机械故障诊断的方法 | 第9-11页 |
| ·开展故障诊断技术的意义 | 第11-12页 |
| ·机械故障诊断的国内外发展现状及分析 | 第12-14页 |
| ·课题主要研究内容 | 第14-15页 |
| ·本论文的结构与安排 | 第15-16页 |
| 第2章 单子神经网络的诊断方法 | 第16-31页 |
| ·引言 | 第16页 |
| ·神经元模型 | 第16-19页 |
| ·神经网络的结构和函数映射 | 第19-22页 |
| ·神经网络的特点以及用于故障诊断的原因 | 第22-23页 |
| ·神经网络的特点 | 第22-23页 |
| ·神经网络适合于故障诊断的原因 | 第23页 |
| ·多层前向神经网络模型及BP算法 | 第23-26页 |
| ·BP神经网络的特点 | 第24页 |
| ·BP算法 | 第24-26页 |
| ·单子神经网络的诊断实例 | 第26-30页 |
| ·常见故障及其机理 | 第26-27页 |
| ·单子神经网络的仿真实验 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于证据理论的信息融合 | 第31-42页 |
| ·引言 | 第31-32页 |
| ·证据理论的基本概念与公式 | 第32-33页 |
| ·证据组合规则 | 第33-34页 |
| ·基于基本概率赋值的决策 | 第34-35页 |
| ·证据理论的推理结构及其优点 | 第35-36页 |
| ·证据理论的推理结构 | 第35页 |
| ·证据理论的优点 | 第35-36页 |
| ·多传感器多测量周期可信度分配的融合 | 第36-39页 |
| ·中心式的计算 | 第36-37页 |
| ·分布式的计算 | 第37-39页 |
| ·证据理论的算例分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 信息融合及其在故障诊断中的应用 | 第42-53页 |
| ·引言 | 第42页 |
| ·信息融合的基本原理及应用 | 第42-46页 |
| ·信息融合的基本原理 | 第42-43页 |
| ·信息融合技术的应用 | 第43-44页 |
| ·信息融合的优点 | 第44-46页 |
| ·信息融合的功能模型 | 第46页 |
| ·信息融合系统的层次 | 第46-48页 |
| ·像素级融合 | 第46-47页 |
| ·特征级融合 | 第47页 |
| ·决策级融合 | 第47-48页 |
| ·信息融合在故障诊断中的应用 | 第48-52页 |
| ·基于多传感器的时间空间域的信息融合 | 第48页 |
| ·基于神经网络的信息融合的优点 | 第48-49页 |
| ·故障诊断中的信息融合系统 | 第49页 |
| ·算例分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 基于信息融合的综合诊断系统与应用 | 第53-64页 |
| ·引言 | 第53页 |
| ·信息融合诊断系统 | 第53-55页 |
| ·基于多子神经网络的初步诊断 | 第55-59页 |
| ·选取子神经网络对应的多征兆域 | 第55-56页 |
| ·子神经网络的确定 | 第56-58页 |
| ·多征兆域的初步诊断 | 第58-59页 |
| ·基于D-S证据理论的信息融合诊断决策 | 第59-63页 |
| ·证据理论的基本概率赋值函数 | 第59-61页 |
| ·证据理论在时间域的合成 | 第61-62页 |
| ·证据理论在空间域的合成 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间所发表的论文 | 第70-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |
