| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第二章 时间序列模式识别与深度学习综述 | 第16-26页 |
| 2.1 时间序列表示的定义与符号 | 第16-17页 |
| 2.2 时间序列模式识别 | 第17-19页 |
| 2.3 深度学习简介 | 第19-21页 |
| 2.3.1 深度神经网络结构 | 第19-20页 |
| 2.3.2 激活函数 | 第20-21页 |
| 2.4 深度学习的常用算法 | 第21-26页 |
| 2.4.1 卷积神经网络 | 第21-23页 |
| 2.4.2 递归神经网络(RNN)及长短期记忆网络(LSTM) | 第23-26页 |
| 第三章 构建用于时间序列模式识别与预测的深度模型 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 用于处理时间序列的模型介绍 | 第26-29页 |
| 3.2.1 LRCN模型 | 第27-28页 |
| 3.2.2 DeepConvLSTM模型 | 第28-29页 |
| 3.3 深度模型LR-convLSTM | 第29-31页 |
| 3.3.1 问题定义 | 第29-30页 |
| 3.3.2 模型介绍 | 第30-31页 |
| 3.4 实验与评估 | 第31-37页 |
| 3.4.1 数据集介绍 | 第32页 |
| 3.4.2 评价标准 | 第32-33页 |
| 3.4.3 实验设置 | 第33页 |
| 3.4.4 结果分析 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 面向非均衡工业故障诊断的深度学习模型研究及应用 | 第38-54页 |
| 4.1 引言 | 第38-39页 |
| 4.2 处理非均衡数据的方法介绍 | 第39-44页 |
| 4.2.1 基于数据重采样应对非均衡数据 | 第39-42页 |
| 4.2.1.1 过采样与SMOTE | 第40-41页 |
| 4.2.1.2 降采样与EasyEnsemble | 第41-42页 |
| 4.2.2 基于代价敏感学习算法应对非均衡数据 | 第42-44页 |
| 4.3 面向非均衡工业故障诊断的深度模型应用 | 第44-47页 |
| 4.3.1 问题建模分析 | 第44页 |
| 4.3.2 面向非均衡工业故障诊断的深度模型应用方法 | 第44-47页 |
| 4.4 实验与评估 | 第47-53页 |
| 4.4.1 数据集介绍 | 第47-48页 |
| 4.4.2 实验设置 | 第48页 |
| 4.4.3 结果分析 | 第48-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结和展望 | 第54-56页 |
| 5.1 论文工作总结 | 第54页 |
| 5.2 未来工作展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文和申请的发明专利 | 第63页 |
