| 第一章 绪论 | 第1-12页 |
| §1-1 设备故障诊断研究现状 | 第7页 |
| §1-2 智能技术研究动态 | 第7-9页 |
| 1-2-1 人工智能 | 第7-9页 |
| 1-2-2 国内外模糊神经网络研究概况 | 第9页 |
| §1-3 基于模糊神经网络的设备故障诊断的优越性 | 第9-11页 |
| 1-3-1 复杂的设备系统 | 第9-10页 |
| 1-3-2 利用模糊神经网络构成系统的优越性 | 第10-11页 |
| §1-4 本文的主要研究内容及安排 | 第11-12页 |
| 第二章 模糊理论与人工神经网络 | 第12-28页 |
| §2-1 模糊理论 | 第12-21页 |
| 2-1-1 模糊性 | 第12页 |
| 2-1-2 模糊集合与隶属函数 | 第12-14页 |
| 2-1-3 模糊集合的运算 | 第14-15页 |
| 2-1-4 模糊匹配 | 第15-17页 |
| 2-1-5 语言变量与模糊逻辑 | 第17-18页 |
| 2-1-6 模糊推理与模糊规则 | 第18页 |
| 2-1-7 确定隶属函数的方法 | 第18-20页 |
| 2-1-8 模糊逻辑方法 | 第20-21页 |
| §2-2 人工神经网络 | 第21-28页 |
| 2-2-1 人工神经网络的神经元模型 | 第21-23页 |
| 2-2-2 神经网络的拓扑结构 | 第23-24页 |
| 2-2-3 神经网络的学习算法分类 | 第24页 |
| 2-2-4 反向传播算法(BP算法) | 第24-27页 |
| 2-2-5 人工神经网络技术 | 第27-28页 |
| 第三章 模糊神经网络模型 | 第28-43页 |
| §3-1 模糊逻辑与人工神经网络的结合 | 第28-31页 |
| 3-1-1 模糊逻辑与人工神经网络的比较 | 第28-29页 |
| 3-1-2 模糊系统与神经网络的连接方式 | 第29-31页 |
| §3-2 模糊神经网络的确定 | 第31-32页 |
| §3-3 隶属度函数的确定 | 第32-36页 |
| 3-3-1 隶属度函数的种类 | 第32-33页 |
| 3-3-2 隶属函数的确定 | 第33-36页 |
| §3-4 学习算法分析 | 第36-39页 |
| 3-4-1 单个模糊神经元 | 第36页 |
| 3-4-2 模糊神经网络的各层输入输出关系 | 第36-37页 |
| 3-4-3 模糊神经网络的误差反向传播 | 第37-39页 |
| §3-5 模糊推理 | 第39-43页 |
| 3-5-1 知识的自动获取 | 第39页 |
| 3-5-2 初始模糊规则的确定 | 第39-40页 |
| 3-5-3 确定最佳规则数目 | 第40页 |
| 3-5-4 模糊规则的动态筛选方法 | 第40页 |
| 3-5-5规则库的建立 | 第40-41页 |
| 3-5-6 模糊推理的实现 | 第41-43页 |
| 第四章 模糊神经网络在冻干机故障诊断系统的应用 | 第43-63页 |
| §4-1 模糊神经网络故障诊断的应用方法 | 第43-46页 |
| 4-1-1 故障树的建立 | 第43页 |
| 4-1-2 模糊神经网络的构造 | 第43-45页 |
| 4-1-3 模糊神经网络的样本组织 | 第45-46页 |
| 4-1-4 模糊神经网络的学习 | 第46页 |
| §4-2 基于模糊神经网络的冻干机板层温度异常诊断 | 第46-52页 |
| §4-3 基于模糊神经网络的知识获取方法研究 | 第52-56页 |
| 4-3-1 影响模糊规则提取的因素 | 第53页 |
| 4-3-2 模糊神经网络的裁剪 | 第53-54页 |
| 4-3-3 模糊神经网络的规则提取 | 第54-56页 |
| §4-4 基于模糊神经网络快速引导机制研究 | 第56-58页 |
| 4-4-1 诊断引导操作符的建立 | 第56-58页 |
| 4-4-2 诊断引导操作符的应用 | 第58页 |
| §4-5 模糊神经网络诊断专家系统的集成 | 第58-63页 |
| 4-5-1 学习网络系统结构设计 | 第59-62页 |
| 4-5-2 诊断网络系统结构设计 | 第62-63页 |
| 第五章 结论与展望 | 第63-64页 |
| §5-1 结论 | 第63页 |
| §5-2 不足与展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间所取得的相关科研成果 | 第68页 |