基于小波神经网络的刀具故障诊断
| 第一章 绪论 | 第1-15页 |
| ·小波分析与神经网络的结合途径 | 第9-10页 |
| ·松散型小波神经网络 | 第9-10页 |
| ·小波网络 | 第10页 |
| ·小波神经网络的发展概况 | 第10-11页 |
| ·刀具磨/破损状态监测的意义及研究现状 | 第11-13页 |
| ·刀具状态监测的意义 | 第11页 |
| ·国内外研究现状及成果 | 第11-12页 |
| ·国内外刀具状态监测方法概述 | 第12-13页 |
| ·小波神经网络在刀具故障诊断中的应用 | 第13-14页 |
| ·本文研究的主要意义及内容 | 第14-15页 |
| 第二章 小波分析提取刀具状态特征 | 第15-32页 |
| ·理论基础 | 第15-20页 |
| ·从傅立叶变换到小波变换 | 第15页 |
| ·连续小波变换 | 第15-17页 |
| ·离散小波变换 | 第17-18页 |
| ·多分辨率分析 | 第18-19页 |
| ·马拉(Mallat)算法 | 第19-20页 |
| ·小波分析提取刀具状态的特征 | 第20-32页 |
| ·刀具状态监测信号的选取 | 第20-21页 |
| ·小波分析提取刀具AE信号的特征 | 第21-22页 |
| ·提取AE信号均方根值作为刀具的特征 | 第22-32页 |
| 第三章 基于神经网络的刀具故障诊断 | 第32-58页 |
| ·理论基础 | 第32-44页 |
| ·BP神经网络 | 第32-37页 |
| ·RBF网络 | 第37-39页 |
| ·自适应谐振理论神经网络(ART网络) | 第39-44页 |
| ·基于松散型小波神经网络的刀具故障诊断 | 第44-57页 |
| ·基于BP网络的刀具故障诊断 | 第44-52页 |
| ·基于RBF网络的刀具故障诊断 | 第52-54页 |
| ·基于ART网络的刀具故障诊断 | 第54-57页 |
| ·BP、RBF及ART网络在刀具故障诊断中的比较 | 第57-58页 |
| 第四章 基于小波网络的刀具状态监测 | 第58-71页 |
| ·理论基础 | 第58-62页 |
| ·小波网络的学习过程 | 第59-61页 |
| ·小波网络与小波理论 | 第61-62页 |
| ·基于小波网络的刀具故障诊断 | 第62-70页 |
| ·小波网络结构的确定 | 第62-64页 |
| ·隐节点数的确定 | 第64页 |
| ·网络初始化 | 第64-65页 |
| ·网络学习算法 | 第65页 |
| ·网络的训练及验证 | 第65-70页 |
| ·小波网络、BP网络及 RBF网络的对比 | 第70-71页 |
| 结论 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间发表的论文 | 第80页 |
