| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外技术研究现状 | 第13-15页 |
| 1.2.1 发动机气路故障诊断研究现状 | 第13页 |
| 1.2.2 发动机气路性能参数预测研究现状 | 第13-15页 |
| 1.3 本文的内容安排 | 第15-17页 |
| 第二章 基于稀疏贝叶斯极限学习机的发动机故障诊断 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 极限学习机 | 第17-20页 |
| 2.2.1 单隐层前向神经网络 | 第17-19页 |
| 2.2.2 极限学习机及其正则化 | 第19-20页 |
| 2.3 稀疏贝叶斯极限学习机 | 第20-24页 |
| 2.3.1 贝叶斯极限学习机 | 第21-22页 |
| 2.3.2 稀疏贝叶斯极限学习机 | 第22-23页 |
| 2.3.3 多分类问题 | 第23-24页 |
| 2.4 数值仿真验证 | 第24-27页 |
| 2.4.1 标准数据集仿真 | 第24-25页 |
| 2.4.2 SBELM用于航空发动机气路故障诊断 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于MLKELM-HMM的发动机动态故障诊断 | 第28-47页 |
| 3.1 引言 | 第28页 |
| 3.2 隐马尔可夫模型 | 第28-31页 |
| 3.2.1 离散隐马尔可夫模型 | 第28-30页 |
| 3.2.2 连续隐马尔可夫模型 | 第30-31页 |
| 3.3 故障特征提取方法 | 第31-36页 |
| 3.3.1 主成分分析法 | 第31-32页 |
| 3.3.2 核主成分分析及其改进 | 第32-34页 |
| 3.3.3 多层核极限学习机特征提取 | 第34-36页 |
| 3.4 多层核极限学习机-马尔可夫模型 | 第36-37页 |
| 3.5 基于MLKELM-HMM的发动机气路故障诊断 | 第37-40页 |
| 3.6 仿真结果及分析 | 第40-46页 |
| 3.6.1 稳态气路故障诊断 | 第40-43页 |
| 3.6.2 动态气路故障诊断 | 第43-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 基于DR-KELM的航空发动机气路性能参数预测 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 核极限学习机及其稀疏化 | 第47-54页 |
| 4.2.1 基于前向学习的稀疏核极限学习机 | 第48-50页 |
| 4.2.2 基于后向学习的稀疏核极限学习机 | 第50-51页 |
| 4.2.3 基于双向学习的稀疏核极限学习机 | 第51-54页 |
| 4.3 数值仿真验证 | 第54-57页 |
| 4.4 发动机性能参数预测 | 第57-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文主要工作总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 在学期间的研究成果及发表的学术论文 | 第68页 |
