| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 数据预处理 | 第11-12页 |
| 1.2.2 实时故障诊断 | 第12页 |
| 1.3 本文研究内容及其结构安排 | 第12-15页 |
| 第2章 相关理论基础 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 数据预处理方法介绍 | 第15-18页 |
| 2.2.1 量纲标准化方法 | 第15-16页 |
| 2.2.2 信息熵在数据预处理中的应用 | 第16-17页 |
| 2.2.3 主元分析算法 | 第17-18页 |
| 2.2.4 随机投影算法 | 第18页 |
| 2.3 故障诊断方法介绍 | 第18-23页 |
| 2.3.1 支持向量机算法 | 第18-20页 |
| 2.3.2 极限学习机算法 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于信息熵和相对主元分析的故障诊断方法 | 第24-35页 |
| 3.1 引言 | 第24-25页 |
| 3.2 基于信息熵的信息增益算法 | 第25-26页 |
| 3.3 基于信息增益与相对主元分析的故障诊断方法 | 第26-27页 |
| 3.4 仿真研究 | 第27-34页 |
| 3.4.1 TE数据集 | 第28-31页 |
| 3.4.2 Wine数据集 | 第31-34页 |
| 3.4.3 结果分析 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于随机投影和支持向量机的故障诊断方法 | 第35-44页 |
| 4.1 引言 | 第35-36页 |
| 4.2 基于PCA与支持向量机的故障诊断算法 | 第36-37页 |
| 4.3 随机投影与主元分析的保距性分析 | 第37-39页 |
| 4.3.1 主成分法的不保距性分析 | 第37-38页 |
| 4.3.2 随机投影方法及其保距性分析 | 第38-39页 |
| 4.4 基于随机投影和支持向量机的故障诊断方法 | 第39-40页 |
| 4.5 仿真实验 | 第40-42页 |
| 4.5.1 数据集描述 | 第40-41页 |
| 4.5.2 结果和分析 | 第41-42页 |
| 4.6 本章小结 | 第42-44页 |
| 第5章 基于kalmanfilter的实时在线极限学习机算法 | 第44-55页 |
| 5.1 引言 | 第44-45页 |
| 5.2 基于递归最小二乘法的在线实时极限学习机算法 | 第45-47页 |
| 5.2.1 在线极限学习机的基本思想 | 第45-46页 |
| 5.2.2 在线极限学习机的具体步骤 | 第46-47页 |
| 5.3 KalmanFilter与RLS在实时序贯性上的性能比较 | 第47-50页 |
| 5.3.1 KalmanFilter | 第47-49页 |
| 5.3.2 KalmanFilter与RLS在实时序贯性上的比较 | 第49-50页 |
| 5.4 基于KalmanFilter的实时在线极限学习机算法 | 第50-51页 |
| 5.5 仿真实验 | 第51-54页 |
| 5.5.1 实验设置 | 第51-52页 |
| 5.5.2 实验结果及分析 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-58页 |
| 6.1 研究总结 | 第55-56页 |
| 6.2 工作展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64页 |
