| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题课课及研究意义 | 第11页 |
| 1.2 机械故障诊断技术的发展及研究 | 第11-12页 |
| 1.3 盲源分离方法 | 第12-16页 |
| 1.3.1 盲源分离的发展及其研究 | 第12-15页 |
| 1.3.2 盲源分离在机械故障诊断中的应用 | 第15-16页 |
| 1.4 本文研究的内容 | 第16-17页 |
| 第2章 盲源分离的理论基础与算法研究 | 第17-31页 |
| 2.1 前言 | 第17页 |
| 2.2 盲源分离的基本理论 | 第17-21页 |
| 2.2.1 盲源分离的数学模型 | 第17-19页 |
| 2.2.2 盲源分离的基本假设 | 第19-20页 |
| 2.2.3 盲源分离的不确定性 | 第20-21页 |
| 2.3 盲源分离的预处理方法 | 第21-24页 |
| 2.3.1 零均值化 | 第21-22页 |
| 2.3.2 白化处盲 | 第22-24页 |
| 2.4 盲源分离的经典算法 | 第24-26页 |
| 2.4.1 特征矩阵联合近似对角化算法 | 第24-25页 |
| 2.4.2 信息极大化算法 | 第25-26页 |
| 2.4.3 独立分量分析算法 | 第26页 |
| 2.5 盲源分离的固定点算法 | 第26-29页 |
| 2.5.1 基于峭度的盲定盲算法 | 第26-27页 |
| 2.5.2 基于负熵的盲定盲算法 | 第27-28页 |
| 2.5.3 基于极大似然的盲定盲算法 | 第28-29页 |
| 2.6 盲源分离的性能评价指标 | 第29-30页 |
| 2.6.1 相似系数 | 第29页 |
| 2.6.2 PI性盲指数 | 第29-30页 |
| 2.6.3 信噪比 | 第30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 基于Gabor变换的相关源信号盲分离 | 第31-41页 |
| 3.1 前言 | 第31页 |
| 3.2 变换Gabor | 第31-32页 |
| 3.3 去相关盲分离 | 第32-34页 |
| 3.3.1 去相关理论 | 第32-33页 |
| 3.3.2 去相关盲分离 | 第33-34页 |
| 3.4 仿真试验研究 | 第34-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 融合小波分解与时频分析的单通道振动信号盲分离 | 第41-55页 |
| 4.1 前言 | 第41页 |
| 4.2 欠定盲分离 | 第41-44页 |
| 4.2.1 小波变换 | 第41-42页 |
| 4.2.2 贝叶斯源数估计 | 第42-43页 |
| 4.2.3 基于小波分解与重构的欠定盲分离 | 第43-44页 |
| 4.3 基于时频分析的盲分离 | 第44-45页 |
| 4.4 融合小波分解与时频分析的单通道盲分离 | 第45-47页 |
| 4.5 仿真分析 | 第47-51页 |
| 4.6 旋转机械故障诊断分析 | 第51-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第5章 基于能量相关调序的频域盲解卷积方法 | 第55-65页 |
| 5.1 前言 | 第55页 |
| 5.2 卷积混合信号时域盲分离 | 第55-57页 |
| 5.3 卷积混合信号频域盲分离 | 第57-59页 |
| 5.4 能量相关调序 | 第59-61页 |
| 5.4.1 振动信号盲量相关性 | 第59-60页 |
| 5.4.2 基于能量相关的排序方法 | 第60-61页 |
| 5.5 实验验证 | 第61-64页 |
| 5.6 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73页 |