| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-8页 |
| 第1章 绪论 | 第8-16页 |
| ·神经网络发展史 | 第8-10页 |
| ·故障诊断 | 第10-12页 |
| ·神经网络在故障诊断中的应用 | 第12-14页 |
| ·本文的主要目标和所做的工作 | 第14-16页 |
| 第2章 H-BP神经网络 | 第16-27页 |
| ·Hopfield神经网络 | 第16-21页 |
| ·Hopfield神经网络模型 | 第16-17页 |
| ·Hopfield神经网络的运行规则 | 第17-19页 |
| ·Hopfield联想记忆网络 | 第19-21页 |
| ·BP神经网络 | 第21-25页 |
| ·BP神经网络模型 | 第22-23页 |
| ·BP神经网络的学习过程 | 第23-24页 |
| ·BP神经网络的局限性 | 第24-25页 |
| ·H-BP神经网络 | 第25-27页 |
| ·H-BP神经网络的工作原理 | 第26页 |
| ·H-BP神经网络的模型 | 第26-27页 |
| 第3章 PSO-H和PSO-H-BP神经网络 | 第27-36页 |
| ·粒子群优化算法 | 第27-31页 |
| ·粒子群优化算法的基本原理 | 第27-28页 |
| ·粒子群优化算法描述 | 第28-30页 |
| ·粒子群优化算法的特点 | 第30-31页 |
| ·PSO-H神经网络 | 第31-35页 |
| ·PSO-H神经网络的原理 | 第32-34页 |
| ·PSO-H神经网络的算法及适应度函数的确定 | 第34-35页 |
| ·PSO-H-BP神经网络 | 第35-36页 |
| ·PSO-H-BP神经网络的工作原理与模型 | 第35页 |
| ·H-BP神经网络与PSO-H-BP神经网络的比较 | 第35-36页 |
| 第4章 基于PSO-H-BP神经网络的离心式风机故障诊断研究 | 第36-52页 |
| ·故障诊断 | 第36-38页 |
| ·故障诊断与模式识别 | 第36-37页 |
| ·故障诊断的过程 | 第37页 |
| ·基于神经网络的故障诊断方法的优点 | 第37-38页 |
| ·神经网络故障诊断的实现 | 第38页 |
| ·离心式风机的故障机理分析 | 第38-43页 |
| ·常见故障 | 第38-39页 |
| ·故障机理的分析 | 第39-41页 |
| ·选择测量参数 | 第41-42页 |
| ·故障特征样本 | 第42-43页 |
| ·PSO-H-BP神经网络故障诊断的实现 | 第43-47页 |
| ·PSO-H-BP神经网络的参数设置 | 第43-46页 |
| ·PSO-H-BP神经网络故障诊断的步骤 | 第46-47页 |
| ·故障诊断实例 | 第47-52页 |
| ·神经网络的权值矩阵和阈值矩阵 | 第47-49页 |
| ·神经网络用于故障诊断的实际案例 | 第49-51页 |
| ·案例总结 | 第51-52页 |
| 第5章 总结与展望 | 第52-53页 |
| ·总结 | 第52页 |
| ·进一步工作的方面 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录A BP神经网络的主要代码 | 第57-59页 |
| 附录B 已修改的newhop文件主要代码 | 第59-61页 |
| 附录C 粒子群优化算法主要代码 | 第61-65页 |
| 攻读学位期间的研究成果 | 第65页 |