| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-22页 |
| ·课题研究的背景及意义 | 第10-11页 |
| ·旋转机械振动故障机理与特征分析 | 第11-13页 |
| ·旋转机械振动信号分析方法研究现状 | 第13-15页 |
| ·轴心轨迹自动识别在故障诊断领域的研究进展 | 第15-19页 |
| ·本文主要研究内容与结构 | 第19-22页 |
| 2 数字图像处理与分析方法研究 | 第22-71页 |
| ·引言 | 第22页 |
| ·数字图像模型的描述 | 第22-29页 |
| ·数字图像处理的基本运算 | 第29-37页 |
| ·数字图像的变换 | 第37-54页 |
| ·数字图像的分割 | 第54-57页 |
| ·目标的表示与描述 | 第57-64页 |
| ·数字图像的模式识别 | 第64-70页 |
| ·本章小结 | 第70-71页 |
| 3 基于几何特征分析的轴心轨迹自动识别 | 第71-84页 |
| ·引言 | 第71页 |
| ·轴心轨迹的几何特征提取 | 第71-76页 |
| ·基于概率神经网络的轴心轨迹自动识别 | 第76-82页 |
| ·本章小结 | 第82-84页 |
| 4 基于混合神经网络的轴心轨迹自动识别 | 第84-101页 |
| ·引言 | 第84页 |
| ·脉冲耦合神经网络 | 第84-91页 |
| ·基于脉冲耦合神经网络融合的轴心轨迹特征提取 | 第91-97页 |
| ·概率神经网络与径向基函数神经网络识别比较 | 第97-99页 |
| ·本章小结 | 第99-101页 |
| 5 基于多尺度小波变换的轴心轨迹自动分类 | 第101-122页 |
| ·引言 | 第101页 |
| ·Contourlet变换 | 第101-107页 |
| ·非下采样contourlet变换 | 第107-109页 |
| ·基于小波变换和contourlet变换融合的轴心轨迹特征提取 | 第109-113页 |
| ·基于支持向量机的轴心轨迹识别 | 第113-119页 |
| ·本文提出的轴心轨迹自动识别方法的综合比较 | 第119-120页 |
| ·本章小结 | 第120-122页 |
| 6 全文总结与展望 | 第122-124页 |
| ·全文工作总结 | 第122-123页 |
| ·进一步研究展望 | 第123-124页 |
| 致谢 | 第124-125页 |
| 参考文献 | 第125-137页 |
| 附录1：攻读博士期间所发表的论文 | 第137-139页 |
| 附录2：攻读博士期间完成和参与的科研项目 | 第139页 |