自构形算法研究及其在风机故障诊断中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 引言 | 第7-8页 |
| 第1章 绪论 | 第8-10页 |
| ·神经网络发展史 | 第8页 |
| ·基于神经网络的故障诊断研究现状 | 第8-9页 |
| ·在应用中存在的问题 | 第9-10页 |
| ·训练样本数量和质量 | 第9页 |
| ·网络隐层节点数目 | 第9页 |
| ·网络泛化能力 | 第9-10页 |
| 第2章 神经元模型和网络结构符号系统 | 第10-15页 |
| ·标量、向量和矩阵 | 第10页 |
| ·神经元模型 | 第10页 |
| ·传输函数 | 第10-12页 |
| ·网络结构 | 第12-15页 |
| ·单层网络 | 第12-13页 |
| ·多层网络 | 第13-15页 |
| 第3章 神经网络的基本学习规则 | 第15-25页 |
| ·感知机学习规则 | 第15-17页 |
| ·研究背景 | 第15页 |
| ·网络结构 | 第15-16页 |
| ·感知机学习规则 | 第16页 |
| ·学习规则的解释 | 第16页 |
| ·收敛性证明 | 第16-17页 |
| ·局限性 | 第17页 |
| ·有监督的Hebb学习规则 | 第17-19页 |
| ·研究背景 | 第17页 |
| ·线性联想器网络结构 | 第17-18页 |
| ·Hebb规则 | 第18页 |
| ·确定权值 | 第18-19页 |
| ·最速下降法、牛顿法、共轭法 | 第19-21页 |
| ·研究背景 | 第19页 |
| ·最速下降法 | 第19-20页 |
| ·牛顿法 | 第20页 |
| ·共轭梯度法 | 第20-21页 |
| ·Widrow-Hoff学习规则 | 第21-25页 |
| ·研究背景 | 第21页 |
| ·网络结构 | 第21-22页 |
| ·性能函数 | 第22-23页 |
| ·LMS算法 | 第23-24页 |
| ·收敛性分析 | 第24-25页 |
| 第4章 反向传播算法及其改进 | 第25-35页 |
| ·反向传播算法 | 第25-29页 |
| ·研究背景 | 第25页 |
| ·多层感知机网络结构 | 第25页 |
| ·算法推导 | 第25-28页 |
| ·SDBP算法缺点 | 第28-29页 |
| ·反向传播算法的变形 | 第29-35页 |
| ·启发式技术 | 第29-30页 |
| ·数值优化技术 | 第30-35页 |
| 第5章 自构形算法及其改进 | 第35-43页 |
| ·自构形学习算法 | 第35-38页 |
| ·相关系数和分散度 | 第35-36页 |
| ·自构形学习的条件 | 第36页 |
| ·自构形学习算法 | 第36-37页 |
| ·算法实现 | 第37-38页 |
| ·自构形算法的改进 | 第38-40页 |
| ·多项式回归方法 | 第38页 |
| ·应用于自构形学习算法 | 第38-40页 |
| ·循环自构形算法 | 第40-43页 |
| ·随机度概念 | 第40-41页 |
| ·算法思想 | 第41页 |
| ·算法流程 | 第41-43页 |
| 第6章 故障诊断及离心式风机的故障机理分析 | 第43-49页 |
| ·故障诊断的实质 | 第43-44页 |
| ·故障诊断的过程 | 第43页 |
| ·基于神经网络的故障诊断方法 | 第43-44页 |
| ·离心式风机的故障机理分析 | 第44-49页 |
| ·常见故障 | 第44-45页 |
| ·故障机理的分析 | 第45-46页 |
| ·选择测量参数 | 第46-47页 |
| ·故障特征样本 | 第47-49页 |
| 第7章 自构形算法仿真实验及故障诊断实例 | 第49-64页 |
| ·网络模型建立 | 第49-50页 |
| ·算法仿真实验 | 第50-62页 |
| ·实验准备 | 第50-51页 |
| ·自构形算法实验 | 第51-52页 |
| ·基于多项式回归的快速自构形算法实验 | 第52-54页 |
| ·自构形算法与快速自构形算法比较 | 第54-56页 |
| ·循环自构形算法实验 | 第56-61页 |
| ·快速自构形算法与循环自构形算法比较 | 第61-62页 |
| ·基于循环自构形算法的故障诊断实例 | 第62-64页 |
| 总结与展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录 循环自构形算法代码 | 第68-76页 |
| 致谢 | 第76页 |
