| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本论文的主要研究工作 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 经验模态分解 | 第15-33页 |
| 2.1 非平稳信号简介 | 第15-16页 |
| 2.1.1 时频分析思想 | 第15-16页 |
| 2.1.2 信号的不确定性原理 | 第16页 |
| 2.2 几种重要的时频分析方法 | 第16-19页 |
| 2.2.1 短时傅里叶变换 | 第16-17页 |
| 2.2.2 小波变换 | 第17-18页 |
| 2.2.3 Wigner-ville 分布 | 第18-19页 |
| 2.3 Hilbert--Huang 变换 | 第19-24页 |
| 2.3.1 经验模态分解(EMD) | 第19-22页 |
| 2.3.2 Hilbert 变换 | 第22页 |
| 2.3.3 仿真实例 | 第22-24页 |
| 2.4 EMD 算法中存在的问题 | 第24-30页 |
| 2.4.1 端点效应 | 第24-30页 |
| 2.4.2 停止准则 | 第30页 |
| 2.5 时频分析方法的对比 | 第30-32页 |
| 2.6 小结 | 第32-33页 |
| 3 EMD 和小波去噪相结合在非平稳信号处理中的应用 | 第33-44页 |
| 3.1 滚动轴承振动信号的简要介绍 | 第33-34页 |
| 3.2 小波去噪 | 第34-39页 |
| 3.2.1 小波阈值去噪的原理 | 第34页 |
| 3.2.2 阈值选择策略 | 第34-35页 |
| 3.2.3 阈值去噪函数 | 第35-39页 |
| 3.3 轴承故障诊断实例 | 第39-43页 |
| 3.4 小结 | 第43-44页 |
| 4 EMD 和组合模型相结合在非平稳信号处理中的应用 | 第44-58页 |
| 4.1 太阳黑子简介 | 第44-45页 |
| 4.2 预测模型介绍 | 第45-49页 |
| 4.2.1 RBF 神经网络模型 | 第45-48页 |
| 4.2.2 SVM 神经网络模型 | 第48-49页 |
| 4.3 MATLAB 实现 | 第49-51页 |
| 4.3.1 数据归一化 | 第49页 |
| 4.3.2 模型参数选取 | 第49-51页 |
| 4.4 数据预测实例 | 第51-57页 |
| 4.4.1 数据预处理 | 第52-53页 |
| 4.4.2 数据预测与分析 | 第53-57页 |
| 4.5 小结 | 第57-58页 |
| 5 总结及展望 | 第58-60页 |
| 5.1 研究工作总结 | 第58页 |
| 5.2 研究工作展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第64页 |