| 中文论文 | 第1-138页 |
| Acknowledgments | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 摘要 | 第5-6页 |
| 目录 | 第6-9页 |
| 第一章 前言 | 第9-12页 |
| ·神经网络 | 第9页 |
| ·高阶谱 | 第9-12页 |
| 第二章 SIGMA-PI连接型回归前向神经网络及其在系统辨识中的应用 | 第12-27页 |
| ·引言 | 第12-13页 |
| ·线性、非线性AR和ARMA模型与网络间的关系 | 第13-15页 |
| ·非线性AR模型与前向神经网络 | 第13-14页 |
| ·非线性ARMA模型与回归神经网络 | 第14-15页 |
| ·一个动态自反馈神经网络 | 第15-17页 |
| ·学习算法 | 第17-18页 |
| ·实验结果及其讨论 | 第18-25页 |
| ·Sigma-Pi连接型神经网络应用的一个实例 | 第25页 |
| ·结论及本章小结 | 第25-27页 |
| 第三章 高阶谱HOS的理论基础 | 第27-37页 |
| ·引言 | 第27页 |
| ·高阶矩和高阶累积量 | 第27-30页 |
| ·高阶矩和高阶累积量的定义 | 第27-28页 |
| ·矩和累积量的关系及其性质 | 第28-29页 |
| ·平稳随机过程的矩和累积量 | 第29-30页 |
| ·累积量谱 | 第30-33页 |
| ·线性时不变系统的累积量谱 | 第33-34页 |
| ·线性时不变系统的累积量谱 | 第33-34页 |
| ·非最小相位LTI系统 | 第34页 |
| ·模型的线性测试 | 第34-36页 |
| ·确定信号的矩和矩谱 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第四章 高阶谱估计的非参数方法及其应用 | 第37-72页 |
| ·引言 | 第37页 |
| ·非参数估计的间接方法 | 第37-39页 |
| ·窗函数 | 第39-40页 |
| ·高阶谱估计的统计特性分析 | 第40页 |
| ·最优双谱窗 | 第40-42页 |
| ·窗函数的性能比较 | 第42-44页 |
| ·矩谱的直接估计 | 第44-45页 |
| ·矩谱的直接估计方案 | 第44-45页 |
| ·两种估计方法的统计特性分析 | 第45页 |
| ·利用双谱辨识三相电机不对称故障 | 第45-55页 |
| ·三相电机故障诊断的现状 | 第46页 |
| ·实验装置 | 第46页 |
| ·数据的获得和预处理 | 第46-48页 |
| ·实验结果和讨论 | 第48-54页 |
| ·本节小结 | 第54-55页 |
| ·负载情况下电机运行状态的监视 | 第55-57页 |
| ·在推广矩特征空间GMFS进行故障诊断 | 第57-65页 |
| ·问题的提出 | 第57页 |
| ·矩特征空间和推广矩特征空间 | 第57-59页 |
| ·数据的预处理 | 第59-60页 |
| ·实验结果与讨论 | 第60-64页 |
| ·结论 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 附录4-1 | 第66-68页 |
| 附录4-2 | 第68-72页 |
| 第五章 基于高阶倒谱的系统辨识方法 | 第72-82页 |
| ·概述 | 第72-73页 |
| ·系统模型的描述 | 第73-74页 |
| ·双倒谱的定义 | 第74-77页 |
| ·双倒谱系数和微分倒谱间的关系 | 第77-78页 |
| ·双倒谱的计算及其性质 | 第78-79页 |
| ·实验结果 | 第79-81页 |
| ·结论与本章小结 | 第81-82页 |
| 第六章 基于高阶统计量的参数估计和系统辨识 | 第82-107页 |
| ·引言 | 第82-83页 |
| ·用基于三阶累积量的自适应算法辨识MA和ARMA过程 | 第83-87页 |
| ·MA过程 | 第84-87页 |
| ·ARMA过程 | 第87页 |
| ·基于高阶统计特性的参数估计—LMS算法 | 第87-90页 |
| ·AIC问题的简述 | 第88页 |
| ·AIC-HOS算法 | 第88-89页 |
| ·AIC-LMS算法和AIC-NLMS算法 | 第89-90页 |
| ·用基于三阶累积量的递推最小二乘算法辨识非最小相位系统 | 第90-106页 |
| ·基于CRLS算法MA模型的自适应参数估计 | 第90-94页 |
| ·ARMA模型和AR模型参数估计的自适应CRLS算法 | 第94-97页 |
| ·CRLS算法的讨论 | 第97-100页 |
| ·仿真结果 | 第100-106页 |
| ·关于CRLS算法的小结 | 第106页 |
| ·本章小结 | 第106-107页 |
| 第七章 一种新的非最小相位系统模型定阶的递推算法 | 第107-125页 |
| ·引言 | 第107-108页 |
| ·理论探讨和非最小相位MA过程的阶数递推算法 | 第108-115页 |
| ·关于MA模型阶数递推算法的讨论 | 第115-117页 |
| ·基于三阶累积量的AR模型定阶算法 | 第117-120页 |
| ·仿真结果 | 第120-124页 |
| ·结论及本章小结 | 第124-125页 |
| 第八章 结论和展望 | 第125-127页 |
| 参考文献 | 第127-137页 |
| 作者已发表论文 | 第137-138页 |
| 英文论文 | 第138-306页 |
| ACKNOWLEDGMENTS | 第140-143页 |
| CONTENTS | 第143-147页 |
| CHAPTER 1 INTRODUCTION | 第147-151页 |
| ·Neural Network | 第147-148页 |
| ·Higher-order Spectra | 第148-151页 |
| CHAPTER 2 SIGMA-PI-LINKED RECURRENT FEEDFORWARD NEURAL NETWORK AND ITS APPLICATION FOR SYSTEM MODELING | 第151-168页 |
| ·Introduction | 第151-153页 |
| ·The Relationship of The Nonlinear AR and ARMA with Network Approximation | 第153-155页 |
| ·Nonlinear AR Models and Feedforward Networks | 第153-154页 |
| ·Nonlinear ARMA Models and Recurrent Networks | 第154-155页 |
| ·A Dynamic Self-feedback Neural Network | 第155-157页 |
| ·Learning Algorithm | 第157-159页 |
| ·Simulation Results and Discussions | 第159-166页 |
| ·Actual Application of Sigma-Pi linked Neural Network in Weather Forecast | 第166-167页 |
| ·Conclusions and Summary | 第167-168页 |
| CHAPTER 3 THEORETICAL BACKGROUND OF HIGHER-ORDER STATISTICSHOS | 第168-193页 |
| ·Introduction | 第168页 |
| ·Moments and Cumulants | 第168-174页 |
| ·Definitions of the moments and cumulants | 第168-170页 |
| ·Relationships between the cumulants and the moments | 第170-171页 |
| ·Properties of moments and cumulants | 第171-172页 |
| ·Moments and cumulants of stationary process | 第172-174页 |
| ·Cross-cumulants | 第174页 |
| ·Cumulant Spectra | 第174-179页 |
| ·Cumulant spectra | 第174-178页 |
| ·Variance, skewness, kurtosis | 第178-179页 |
| ·Cumulant Spectra of Linear Time-Invariant System | 第179-184页 |
| ·Cumulant spectra of linear time-invariant system | 第179-182页 |
| ·Nonminimum phase LTI system | 第182-184页 |
| ·Nonlinear System | 第184-186页 |
| ·Nonlinear system | 第184-185页 |
| ·Testing for linearity | 第185-186页 |
| ·Moments and Moment Spectra of Deterministic Signals | 第186-190页 |
| ·Fourier analysis for deterministic signals | 第187-188页 |
| ·Moments and spectra of deterministic signal | 第188-190页 |
| ·Summary | 第190-191页 |
| Appendix 3.1 | 第191-193页 |
| CHAPTER 4 NONPARAMETRIC METHODS FOR THE ESTIMATION OF HIGHER-ORDER SPECTRA AND ITS APPLICATIONS | 第193-235页 |
| ·Introduction | 第193-194页 |
| ·Indirect Methods for Nonparametric Estimation | 第194-197页 |
| ·Estimation of correlation and periodogram | 第194-196页 |
| ·The estimation of the higher-order moments and higher-order spectra | 第196-197页 |
| ·Window Functions | 第197-198页 |
| ·The statistics Characteristics of the Estimated Higher-order Spectra | 第198-200页 |
| ·Optimum Bispectral Windows | 第200-202页 |
| ·The Comparison of Window Functions | 第202-204页 |
| ·Direct Estimation of the Moment Spectra | 第204-206页 |
| ·The strategies of the direct moment spectra estimation | 第204-205页 |
| ·Statistics properties of two estimate methods | 第205-206页 |
| ·Three Phase Induction Machine Asymmetric Faults Identification Using Bispectrum | 第206-216页 |
| ·Introduction to the faults identification of the three-phase induction machines | 第206-207页 |
| ·Three phase induction machine test rig | 第207-208页 |
| ·Data acquisition and preliminary processing | 第208页 |
| ·Result and discussions | 第208-216页 |
| ·Conclusions about this section | 第216页 |
| ·The Condition Monitoring of Machine with a Load Using Estimated Bispectrum | 第216-219页 |
| ·Moment Feature SpaceMFS and Generalized Moment Feature Space GMFS | 第219-228页 |
| ·Theoretical analysis of MFS and GMFS | 第219-222页 |
| ·Preliminary processing | 第222-223页 |
| ·Results and Discussions | 第223-227页 |
| ·Conclusion about this section | 第227-228页 |
| ·Summary | 第228-229页 |
| Appendix 4.1 | 第229-231页 |
| Appendix 4.2 | 第231-235页 |
| CHAPTER 5 SYSTEM IDENTIFICATION USING HIGHER-ORDER CEPSTRUM | 第235-247页 |
| ·Introduction | 第235-236页 |
| ·System Model Description | 第236-238页 |
| ·The Definition of bicepstrum | 第238-241页 |
| ·The Relationship of Bicepstrum and Differential Cepstrum | 第241-242页 |
| ·Computation and Its Properties | 第242-243页 |
| ·Simulation Results | 第243-246页 |
| ·Conclusions and Summary | 第246-247页 |
| CHAPTER 6 PARAMETER ESTIMATION AND SYSTEM IDENTIFICATION USING HIGHER-ORDER STATISTICS | 第247-274页 |
| ·Introduction | 第247-249页 |
| ·Adaptive Algorithms for MA and ARMA Processed Based on Third-order Cumulant | 第249-253页 |
| ·MA Process | 第249-252页 |
| ·ARMA Process | 第252-253页 |
| ·Parameter Estimation Based on Higher-order Statistics Using LMS Algorithm | 第253-256页 |
| ·Simplifies problem of the AIC | 第253-254页 |
| ·AIC-HOS algorithm | 第254-255页 |
| ·AIC-LMS and AIC-NLMS algorithm | 第255-256页 |
| ·Third-order Cumulant Based Recursive Least Squared Algorithm for Nonminimum Phase System Identification | 第256-273页 |
| ·Adaptive parameter estimation for MA Model Based on CRLS | 第256-260页 |
| ·Adaptive CRLS algorithm for ARMA or AR model | 第260-264页 |
| ·Discussions on CRLS algorithm | 第264-267页 |
| ·Simulations results | 第267-273页 |
| ·Conclusions about the CRLS algorithms | 第273页 |
| ·Summary | 第273-274页 |
| CHAPTER 7 A NOVEL ORDER-RECURSIVE ALGORITHM FOR ORDER DETERMINATION OF NONMINIMUM PHASE SYSTEM | 第274-294页 |
| ·Introduction | 第274-276页 |
| ·Theoretical Considerations and Order-Recursive Algorithm for Nonminimum Phase MA Model | 第276-283页 |
| ·Discussions about The Order-Recursive Algorithm for MA Model | 第283-285页 |
| ·Cumulant-based Order Determination for ARMA Model | 第285-289页 |
| ·Simulation Results | 第289-293页 |
| ·Conclusions and Summary | 第293-294页 |
| CHAPTER 8 GENERAL CONCLUSIONS AND FUTURES TRENDS | 第294-296页 |
| REFERENCES | 第296-306页 |
| LIST OF PUBLICATIONS | 第306页 |
