| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 特征提取方法 | 第11-12页 |
| 1.2.2 流行学习算法 | 第12-13页 |
| 1.2.3 故障诊断与多状态评估方法 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14-16页 |
| 第2章 滚动轴承多状态特征提取 | 第16-27页 |
| 2.1 浅层特征提取 | 第16-22页 |
| 2.1.1 时域特征提取 | 第16-17页 |
| 2.1.2 频域特征提取 | 第17-20页 |
| 2.1.3 时-频域特征提取 | 第20-22页 |
| 2.2 自动编码器原理 | 第22-23页 |
| 2.3 稀疏自动编码器原理 | 第23-25页 |
| 2.4 基于稀疏自动编码器的深层特征提取 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 t分布随机邻域嵌入算法研究及对比 | 第27-37页 |
| 3.1 流行学习基本理论 | 第27页 |
| 3.2 随机邻域嵌入算法基本原理 | 第27-29页 |
| 3.3 t分布随机邻域嵌入算法基本原理 | 第29-31页 |
| 3.3.1 对称随机邻域嵌入 | 第29-30页 |
| 3.3.2 t分布随机邻域嵌入 | 第30-31页 |
| 3.4 基于t-SNE的特征可视化 | 第31-36页 |
| 3.4.1 滚动轴承原始数据及特征可视化 | 第31-34页 |
| 3.4.2 t-SNE与常用降维方法可视化对比 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 超球支持向量机的研究 | 第37-46页 |
| 4.1 超球支持向量机基本原理 | 第37-39页 |
| 4.2 核函数的选取 | 第39-41页 |
| 4.3 超球支持向量机的决策策略 | 第41-44页 |
| 4.4 超球支持向量机的参数寻优 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 滚动轴承多状态评估 | 第46-60页 |
| 5.1 实验环境与数据来源 | 第46-48页 |
| 5.2 基于稀疏自动编码器的滚动轴承多状态评估方法 | 第48-52页 |
| 5.2.1 滚动轴承多状态评估指标的建立 | 第49-50页 |
| 5.2.2 滚动轴承多状态评估方法及流程 | 第50-52页 |
| 5.3 实验与分析 | 第52-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的学术论文及获得成果 | 第65-66页 |
| 致谢 | 第66页 |