| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第16-31页 |
| 1.1 课题的来源及研究背景 | 第16-17页 |
| 1.1.1 课题的来源 | 第16页 |
| 1.1.2 课题研究的背景 | 第16-17页 |
| 1.2 课题研究的目的及意义 | 第17-18页 |
| 1.3 数据挖掘技术研究现状 | 第18-19页 |
| 1.4 发动机参数标准化与性能基线研究现状 | 第19-21页 |
| 1.5 支持向量机在回归分析中的应用 | 第21-22页 |
| 1.6 基于偏差值的气路分析技术研究现状 | 第22-28页 |
| 1.6.1 时间序列数据平滑与预测 | 第23-26页 |
| 1.6.2 发动机性能评价与气路故障诊断 | 第26-28页 |
| 1.7 本文的主要研究内容 | 第28-31页 |
| 第2章 发动机报文解析与自变量参数筛选 | 第31-48页 |
| 2.1 引言 | 第31-32页 |
| 2.2 发动机气路参数及用途 | 第32-33页 |
| 2.3 飞行数据处理流程与原始报文解析 | 第33-35页 |
| 2.3.1 飞行参数处理流程 | 第33-34页 |
| 2.3.2 报文解析技术 | 第34-35页 |
| 2.4 气路参数相关性分析 | 第35-39页 |
| 2.4.1 方差膨胀因子的多重相关性分析 | 第35-37页 |
| 2.4.2 发动机气路参数之间的函数关系确定 | 第37-39页 |
| 2.5 小波网络平均影响值下的自变量筛选 | 第39-45页 |
| 2.5.1 基于平均影响值的自变量筛选 | 第40-41页 |
| 2.5.2 多输入小波网络逼近模型 | 第41-43页 |
| 2.5.3 网络学习算法及参数初始化 | 第43-45页 |
| 2.6 气路参数筛选实例及结果分析 | 第45-47页 |
| 2.7 本章小结 | 第47-48页 |
| 第3章 基于性能基线的偏差值挖掘方法 | 第48-67页 |
| 3.1 引言 | 第48页 |
| 3.2 基于基线的偏差值挖掘技术路线 | 第48-51页 |
| 3.3 理想状态下的标准化模型 | 第51-55页 |
| 3.3.1 第三相似定理与理想标准化模型 | 第51-53页 |
| 3.3.2 标准化比例函数中的参数意义 | 第53-54页 |
| 3.3.3 理想标准化模型下的基线与偏差值 | 第54-55页 |
| 3.4 标准化模型的修正 | 第55-59页 |
| 3.4.1 标准化模型的传感器灵敏度修正 | 第56页 |
| 3.4.2 标准化模型的温度修正 | 第56-57页 |
| 3.4.3 标准化模型的湿度与高度修正 | 第57-58页 |
| 3.4.4 标准化模型其它修正因素说明 | 第58-59页 |
| 3.5 基于函数逼近法的基线模型 | 第59-60页 |
| 3.6 修正高斯牛顿法的偏差值模型求解 | 第60-64页 |
| 3.6.1 气路参数偏差值模型 | 第60-62页 |
| 3.6.2 气路参数偏差值模型求解方法 | 第62-64页 |
| 3.7 应用实例 | 第64-66页 |
| 3.8 本章小结 | 第66-67页 |
| 第4章 基于支持向量机的小样本条件下偏差值挖掘 | 第67-84页 |
| 4.1 引言 | 第67页 |
| 4.2 基于支持向量机的偏差值挖掘技术路线 | 第67-68页 |
| 4.3 基于支持向量机的偏差值求解模型 | 第68-72页 |
| 4.3.1 偏差值回归模型 | 第69页 |
| 4.3.2 回归问题到分类问题的转化 | 第69-71页 |
| 4.3.3 核函数与支持向量回归机 | 第71-72页 |
| 4.4 基于欧氏距离排列规则的训练集构造 | 第72-74页 |
| 4.5 参数比例变换及粒子群优化 | 第74-78页 |
| 4.5.1 参数比例变换的输入集构造 | 第75-76页 |
| 4.5.2 粒子群优化算法 | 第76-78页 |
| 4.6 应用实例 | 第78-83页 |
| 4.6.1 训练集构造及粒子群算法步骤 | 第78-81页 |
| 4.6.2 计算结果分析 | 第81-83页 |
| 4.7 本章小结 | 第83-84页 |
| 第5章 基于分式聚合过程神经网络的偏差值预测 | 第84-101页 |
| 5.1 引言 | 第84-85页 |
| 5.2 分式空间聚合过程神经元模型 | 第85-89页 |
| 5.2.1 过程神经元工作机理 | 第85-87页 |
| 5.2.2 过程神经元空间聚合运算选型 | 第87-89页 |
| 5.3 分式聚合过程神经网络模型及学习算法 | 第89-97页 |
| 5.3.1 分式聚合过程神经网络 | 第89-91页 |
| 5.3.2 分式聚合过程神经网络学习算法 | 第91-92页 |
| 5.3.3 离散沃尔什变换 | 第92-94页 |
| 5.3.4 基于离散沃尔什变换的 LM 算法 | 第94-97页 |
| 5.4 模型验证与气路参数偏差值预测实例 | 第97-100页 |
| 5.5 本章小结 | 第100-101页 |
| 第6章 民航发动机性能评价及气路故障诊断 | 第101-119页 |
| 6.1 引言 | 第101页 |
| 6.2 气路参数偏差值平滑处理技术 | 第101-107页 |
| 6.2.1 气路参数偏差值离群点判别 | 第102-103页 |
| 6.2.2 气路参数偏差值平滑算法 | 第103页 |
| 6.2.3 数据平滑初始样本处理技术与参数优化 | 第103-106页 |
| 6.2.4 数据平滑技术实例 | 第106-107页 |
| 6.3 基于离散 HOPFIELD 网络的发动机性能状态评价 | 第107-112页 |
| 6.3.1 离散 Hopfield 网络模型算法 | 第108-110页 |
| 6.3.2 基于偏差值的发动机性能评价实例 | 第110-112页 |
| 6.4 指印图与自组织特征映射网络相结合的气路故障诊断 | 第112-118页 |
| 6.4.1 SOFM 神经网络模型 | 第112-114页 |
| 6.4.2 SOFM 网络的学习算法 | 第114-115页 |
| 6.4.3 基于指印图的发动机气路故障诊断实例 | 第115-118页 |
| 6.5 本章小结 | 第118-119页 |
| 第7章 性能监控系统设计及应用 | 第119-135页 |
| 7.1 引言 | 第119页 |
| 7.2 性能监控系统需求分析 | 第119-120页 |
| 7.3 性能监控系统设计 | 第120-126页 |
| 7.3.1 体系结构设计 | 第120-121页 |
| 7.3.2 功能模型设计 | 第121-123页 |
| 7.3.3 信息模型设计 | 第123-126页 |
| 7.4 性能监控系统应用实例 | 第126-133页 |
| 7.4.1 模板管理模块应用实例 | 第126-128页 |
| 7.4.2 报警管理模块应用实例 | 第128-129页 |
| 7.4.3 趋势分析模块应用实例 | 第129-132页 |
| 7.4.4 性能排队模块应用实例 | 第132-133页 |
| 7.5 系统应用情况 | 第133-134页 |
| 7.6 本章小结 | 第134-135页 |
| 结论 | 第135-138页 |
| 参考文献 | 第138-150页 |
| 攻读博士学位期间发表的论文及其它成果 | 第150-152页 |
| 致谢 | 第152-153页 |
| 个人简历 | 第153页 |