| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及研究的目的和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 传统人工智能诊断技术 | 第11-12页 |
| 1.2.2 深度学习智能诊断技术 | 第12-13页 |
| 1.2.3 变负载下故障诊断技术 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14-15页 |
| 第2章 神经网络及深度学习相关理论 | 第15-26页 |
| 2.1 神经网络简介 | 第15-18页 |
| 2.1.1 神经元模型 | 第15-16页 |
| 2.1.2 神经网络的类别 | 第16-18页 |
| 2.2 反向传播网络模型与学习算法 | 第18-21页 |
| 2.3 深度学习常用模型 | 第21-25页 |
| 2.3.1 卷积神经网络模型 | 第21-24页 |
| 2.3.2 循环神经网络模型 | 第24页 |
| 2.3.3 限制玻尔兹曼机模型 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 深度信念网络模型的研究及改进 | 第26-35页 |
| 3.1 深度信念网络模型 | 第26-30页 |
| 3.1.1 限制玻尔兹曼机原理 | 第26-28页 |
| 3.1.2 深度信念网络原理 | 第28-29页 |
| 3.1.3 深度信念网络训练过程 | 第29-30页 |
| 3.2 卷积高斯限制玻尔兹曼机模型 | 第30-33页 |
| 3.2.1 Gaussian-Bernoulli限制波尔兹曼机 | 第30-31页 |
| 3.2.2 概率最大池化-CGRBM模型 | 第31-33页 |
| 3.3 卷积高斯深度信念网络模型 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 联合分布适配算法的研究及改进 | 第35-44页 |
| 4.1 迁移学习 | 第35-37页 |
| 4.2 联合分布适配算法 | 第37-39页 |
| 4.2.1 边缘分布适配 | 第38页 |
| 4.2.2 条件分布适配 | 第38-39页 |
| 4.3 改进的混合核联合分布适配算法 | 第39-42页 |
| 4.3.1 典型核函数及混合核函数的组合方式 | 第39-41页 |
| 4.3.2 乘法混合核JDA | 第41页 |
| 4.3.3 加权混合核JDA | 第41-42页 |
| 4.4 本章小结 | 第42-44页 |
| 第5章 变负载下滚动轴承多状态故障诊断 | 第44-60页 |
| 5.1 实验环境与数据来源 | 第44-46页 |
| 5.2 基于EEMD-Hilbert包络谱和DBN的故障诊断方法 | 第46-53页 |
| 5.2.1 诊断流程 | 第46-48页 |
| 5.2.2 特征数据集的构造 | 第48-50页 |
| 5.2.3 DBN中隐藏层节点结构优化 | 第50-51页 |
| 5.2.4 实验结果与分析 | 第51-53页 |
| 5.3 基于CGDBN和WKJDA的故障诊断方法 | 第53-59页 |
| 5.3.1 诊断流程 | 第53-55页 |
| 5.3.2 CGDBN提取广义特征 | 第55-56页 |
| 5.3.3 WKJDA处理与实验结果分析 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的学术论文及获得成果 | 第66-67页 |
| 致谢 | 第67页 |