| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 论文研究背景及意义 | 第9-10页 |
| 1.1.1 项目来源 | 第9页 |
| 1.1.2 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文研究内容与结构安排 | 第11-13页 |
| 第二章 无人机传感器故障诊断方法设计 | 第13-22页 |
| 2.1 无人机传感器及其故障分析 | 第13-15页 |
| 2.1.1 无人机传感器简介 | 第13-14页 |
| 2.1.2 传感器故障分析 | 第14-15页 |
| 2.2 基于模式识别的故障诊断方法设计 | 第15-18页 |
| 2.2.1 设计方案比选 | 第15-17页 |
| 2.2.2 总体流程设计 | 第17-18页 |
| 2.3 数据来源及评价指标 | 第18-21页 |
| 2.3.1 数据来源 | 第18-20页 |
| 2.3.2 评价指标 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于小波的特征提取方法研究 | 第22-51页 |
| 3.1 小波包系数特征提取方法研究 | 第22-31页 |
| 3.1.1 小波包分解系数计算 | 第22-25页 |
| 3.1.2 实验结果及分析 | 第25-31页 |
| 3.2 小波包能量特征提取方法研究 | 第31-36页 |
| 3.2.1 小波包能量计算 | 第31-32页 |
| 3.2.2 实验结果及分析 | 第32-36页 |
| 3.3 小波包复合特征提取方法研究 | 第36-50页 |
| 3.3.1 小波包系数特征提取方法改进 | 第36-40页 |
| 3.3.2 小波包能量特征提取方法改进 | 第40-47页 |
| 3.3.3 复合特征向量的提取方法设计 | 第47-49页 |
| 3.3.4 实验结果及分析 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于决策树的分类诊断方法研究 | 第51-69页 |
| 4.1 机器学习方法概述 | 第51页 |
| 4.2 基于决策树的分类方法研究 | 第51-59页 |
| 4.2.1 ID3算法实现 | 第52-55页 |
| 4.2.2 CART算法实现 | 第55-59页 |
| 4.3 基于GBDT的分类诊断方法研究 | 第59-68页 |
| 4.3.1 算法原理 | 第59-61页 |
| 4.3.2 GBDT算法实现 | 第61-63页 |
| 4.3.3 GBDT算法优化 | 第63-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 基于小波与GBDT的故障诊断方法实现与验证 | 第69-78页 |
| 5.1 基于小波与GBDT的故障诊断方法的实现 | 第69-73页 |
| 5.1.1 故障诊断方法设计 | 第69-70页 |
| 5.1.2 实验结果及分析 | 第70-73页 |
| 5.2 故障诊断方法的仿真验证 | 第73-77页 |
| 5.2.1 无人机传感器地面测试模块 | 第73-75页 |
| 5.2.2 传感器故障注入 | 第75-76页 |
| 5.2.3 验证结果及分析 | 第76-77页 |
| 5.3 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 未来展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-84页 |