| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| ·引言 | 第9页 |
| ·人工神经网络概述 | 第9-13页 |
| ·人工神经网络发展简史 | 第9-11页 |
| ·人工神经网络的基本特征与功能 | 第11-12页 |
| ·神经网络的基本特征 | 第11页 |
| ·神经网络的基本功能 | 第11-12页 |
| ·人工神经网络的应用 | 第12-13页 |
| ·基于神经网络的故障诊断 | 第13-14页 |
| ·个人工作和论文简述 | 第14-15页 |
| 第二章 飞机发动机故障诊断技术现状 | 第15-18页 |
| ·飞机发动机故障诊断技术现状 | 第15-16页 |
| ·发动机气路故障诊断主要方法 | 第16-18页 |
| ·小偏差故障方程法 | 第16页 |
| ·基于非线性稳态模型的诊断方法 | 第16-17页 |
| ·人工智能诊断技术 | 第17-18页 |
| 第三章 径向基（RBF）网络的模型结构及其算法 | 第18-26页 |
| ·径向基（RBF）网络的结构及数学模型 | 第18-20页 |
| ·RBF 网络的基本学习算法 | 第20-21页 |
| ·RBF 神经网络的先进学习算法 | 第21-22页 |
| ·RBF 网络的改进算法 | 第22-25页 |
| ·离线学习算法 | 第22-23页 |
| ·在线学习算法—最邻近聚类学习算法 | 第23-25页 |
| ·RBF 网络与多层感知器的比较[23] | 第25页 |
| ·RBF 网络的应用及推广能力 | 第25-26页 |
| 第四章 神经网络飞机发动机故障诊断研究现状 | 第26-45页 |
| ·MATLAB 概述 | 第26-27页 |
| ·网络训练及测试数据 | 第27-28页 |
| ·基于BP 神经网络的飞机发动机故障诊断 | 第28-35页 |
| ·BP 神经网络概述 | 第28-29页 |
| ·基于BP 神经网络的飞机发动机故障诊断 | 第29-35页 |
| ·输入和目标向量设计 | 第29-31页 |
| ·网络设计 | 第31-32页 |
| ·网络训练与测试 | 第32-35页 |
| ·自组织特征映射（SOM）神经网络用于飞机发动机故障诊断 | 第35-40页 |
| ·自组织特征映射(SOM)神经网络介绍 | 第35-37页 |
| ·自组织特征映射(SOM)神经网络用于飞机发动机故障诊断 | 第37-40页 |
| ·输入向量设计 | 第37页 |
| ·网络设计 | 第37页 |
| ·网络训练和测试 | 第37-40页 |
| ·概率神经网络应用于飞机发动机故障诊断 | 第40-45页 |
| ·概率神经网络介绍 | 第40-41页 |
| ·概率神经网络用于飞机发动机故障诊断 | 第41-45页 |
| ·输入和目标向量设计 | 第41-42页 |
| ·网络设计 | 第42页 |
| ·网络训练和测试 | 第42-45页 |
| 第五章 基于径向基（RBF）神经网络的发动机故障诊断 | 第45-60页 |
| ·利用MATLAB 的径向基（RBF）网络故障诊断仿真 | 第45-49页 |
| ·神经网络故障诊断模型 | 第45页 |
| ·输入信号及目标输出的选择 | 第45页 |
| ·网络设计 | 第45-46页 |
| ·网络训练和测试 | 第46-49页 |
| ·利用.NET 编程进行故障诊断 | 第49-56页 |
| ·n et 介绍 | 第49页 |
| ·RBF 神经网故障诊断系统络 | 第49-56页 |
| ·系统结构图 | 第49-50页 |
| ·故障样本编辑 | 第50页 |
| ·网络训练与测试 | 第50-54页 |
| ·故障诊断 | 第54-55页 |
| ·RBF 网络与其他几种网络的比较 | 第55-56页 |
| ·结果分析 | 第56页 |
| ·集成神经网络发动机故障诊断 | 第56-60页 |
| ·设备诊断信息融合方法 | 第56-57页 |
| ·集成神经网络 | 第57-58页 |
| ·集成神经网络发动机故障诊断 | 第58-60页 |
| 第六章 总结及展望 | 第60-61页 |
| ·总结 | 第60页 |
| ·展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士期间发表的论文 | 第65页 |
