| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·发动机异响类型诊断的意义 | 第7页 |
| ·发动机异响类型诊断的基本内容 | 第7页 |
| ·国内外基于声信号故障诊断概况及发展 | 第7-8页 |
| ·小波分析方法在特征提取中应用 | 第8页 |
| ·神经网络在异响类型模式识别中的应用 | 第8-10页 |
| ·本文主要研究内容 | 第10-11页 |
| 2 摩托车发动机声信号采集及分析 | 第11-18页 |
| ·摩托车发动机异响分析 | 第11-12页 |
| ·摩托车发动机典型异响类型 | 第11页 |
| ·本文研究的发动机异响类型及各类异响统计 | 第11-12页 |
| ·发动机声信号的采集 | 第12-17页 |
| ·采集系统组成示意图 | 第12-13页 |
| ·采集系统各部件参数 | 第13-14页 |
| ·信号测量 | 第14-17页 |
| ·本章小结 | 第17-18页 |
| 3 人工神经网络理论及改进的 BP 算法 | 第18-34页 |
| ·人工神经网络概述 | 第18-22页 |
| ·人工神经元模型 | 第18-19页 |
| ·神经网络的结构及工作方式 | 第19-20页 |
| ·神经网络的学习 | 第20-22页 |
| ·BP 神经网络与改进型BP 算法的研究 | 第22-33页 |
| ·BP 网络模型结构 | 第23-25页 |
| ·BP 神经网络构建与算法 | 第25-29页 |
| ·传统BP 网络的局限性 | 第29页 |
| ·标准BP 算法存在局限性的原因分析 | 第29-30页 |
| ·标准BP 算法的主要改进措施 | 第30-33页 |
| ·本章小结 | 第33-34页 |
| 4 发动机异响类型诊断模型的构建与仿真 | 第34-51页 |
| ·数据预处理 | 第34-37页 |
| ·样本的设计 | 第34-36页 |
| ·数据的处理 | 第36-37页 |
| ·异响类型诊断模型建立 | 第37-39页 |
| ·网络层数及每层神经元数目的确定 | 第38-39页 |
| ·初始权值的设计 | 第39页 |
| ·期望误差和学习率的选取 | 第39页 |
| ·发动机异响类型诊断仿真研究 | 第39-49页 |
| ·采用标准BP 算法 | 第39-41页 |
| ·采用自适应学习率算法 | 第41-45页 |
| ·采用动量—自适应学习率算法 | 第45-48页 |
| ·采用基于Levenberg-Marquardt 法的改进算法 | 第48-49页 |
| ·几种改进算法在发动机异响类型诊断中的应用结果分析 | 第49-50页 |
| ·网络训练速度的比较 | 第49页 |
| ·网络训练诊断正确率的比较 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 5 发动机异响类型诊断系统软件设计 | 第51-60页 |
| ·图形用户界面概述 | 第51-53页 |
| ·GUI 开发方法简介 | 第51-52页 |
| ·GUIDE 支持的组件类型 | 第52-53页 |
| ·GUI 设计工具简介 | 第53-54页 |
| ·发动机异响类型诊断系统软件主界面设计 | 第54-57页 |
| ·发动机异响类型诊断系统软件程序设计 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 6 结论 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录：A 作者在攻读学位期间发表的论文目录 | 第65页 |