| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| ·论文的研究背景及意义 | 第8-9页 |
| ·WSN 体系结构与故障诊断技术 | 第9-11页 |
| ·WSN 故障诊断的研究现状 | 第11-12页 |
| ·WSN 故障诊断方法的研究现状 | 第11页 |
| ·基于信息融合的 WSN 故障诊断研究现状 | 第11-12页 |
| ·论文的研究内容与结构安排 | 第12-14页 |
| 第二章 信息融合基本原理 | 第14-22页 |
| ·信息融合的基本原理及优点 | 第14-15页 |
| ·信息融合的级别与处理结构 | 第15-17页 |
| ·信息融合的理论算法 | 第17-19页 |
| ·估计理论 | 第17页 |
| ·统计理论 | 第17-18页 |
| ·信息论 | 第18页 |
| ·人工智能理论 | 第18-19页 |
| ·信息融合技术的不足及发展趋势 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 粗糙集理论及其在故障诊断中的应用 | 第22-36页 |
| ·粗糙集的基本理论 | 第22-29页 |
| ·知识与不可分辨关系 | 第22-23页 |
| ·粗糙集定义 | 第23-24页 |
| ·属性约简和属性的核 | 第24-25页 |
| ·属性的依赖性与重要性 | 第25-26页 |
| ·粗糙集中几种常用的约简算法 | 第26-28页 |
| ·粗糙集理论在 WSN 故障诊断中的优势 | 第28-29页 |
| ·基于粗糙集理论的 WSN 故障诊断 | 第29-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 支持向量机理论 | 第36-50页 |
| ·机器学习问题 | 第36-38页 |
| ·机器学习的模型 | 第36-37页 |
| ·经验风险最小化 | 第37-38页 |
| ·统计学习理论 | 第38-39页 |
| ·支持向量分类机 | 第39-46页 |
| ·线性支持向量机 | 第39-42页 |
| ·非线性支持向量机 | 第42-44页 |
| ·多分类的支持向量机 | 第44-46页 |
| ·基于最小二乘支持向量机的故障诊断 | 第46-49页 |
| ·最小二乘支持向量机 | 第46-47页 |
| ·样本的采集与预处理 | 第47-48页 |
| ·核函数的选择 | 第48页 |
| ·模型参数选择算法 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 基于 RSLS-SVM 信息融合的 WSN 故障诊断 | 第50-58页 |
| ·基于 RSLS-SVM 的融合方法 | 第50-51页 |
| ·RS 与 LS-SVM 融合的优势 | 第50页 |
| ·算法结构 | 第50-51页 |
| ·实验与结果分析 | 第51-56页 |
| ·本章小结 | 第56-58页 |
| 第六章 总结与展望 | 第58-60页 |
| ·工作总结 | 第58-59页 |
| ·工作展望 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第66-67页 |