| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第10-15页 |
| ·引言 | 第10-11页 |
| ·航空发动机故障诊断技术的研究现状及发展趋势 | 第11-12页 |
| ·信息融合研究意义及现状 | 第12-13页 |
| ·信息融合技术概述 | 第12页 |
| ·国内外应用研究现状 | 第12-13页 |
| ·本文的主要研究内容 | 第13-15页 |
| 第2章 故障诊断中的信息融合技术 | 第15-26页 |
| ·故障诊断技术中的信息融合理论 | 第15-18页 |
| ·信息融合基本原理 | 第15页 |
| ·故障诊断信息融合的理论基础 | 第15-18页 |
| ·信息融合的级别 | 第18-20页 |
| ·数据层融合 | 第18页 |
| ·特征级融合 | 第18-19页 |
| ·决策级融合 | 第19-20页 |
| ·故障诊断技术中的信息融合模型 | 第20-22页 |
| ·信息融合故障诊断的框架 | 第20-22页 |
| ·分层信息融合诊断功能模型 | 第22页 |
| ·故障诊断中的信息融合方法 | 第22-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于单分类器的航空发动机气路故障诊断技术研究 | 第26-45页 |
| ·神经网络故障诊断概述 | 第26页 |
| ·基于神经网络技术的故障诊断 | 第26-28页 |
| ·神经网络信息融合故障诊断原理 | 第26-27页 |
| ·神经网络故障诊断模型 | 第27-28页 |
| ·误差反向传播神经网络 | 第28-31页 |
| ·BP 网络的结构 | 第28-29页 |
| ·BP 学习算法 | 第29-31页 |
| ·径向基函数神经网络 | 第31-33页 |
| ·RBF 神经网络的结构模型 | 第31-32页 |
| ·RBF 神经网络的训练算法 | 第32-33页 |
| ·支持向量机 | 第33-35页 |
| ·发动机气路故障诊断实例分析 | 第35-43页 |
| ·发动机故障诊断原型和样本的处理 | 第35-38页 |
| ·BP 网络故障诊断 | 第38-40页 |
| ·RBF 神经网络故障诊断 | 第40-41页 |
| ·支持向量机气路故障诊断 | 第41-43页 |
| ·小结 | 第43-45页 |
| 第4章 基于证据理论的发动机气路故障诊断技术研究 | 第45-54页 |
| ·D-S 证据理论概述和基本概念 | 第45-48页 |
| ·D-S 证据理论航空发动机气路故障诊断模型 | 第48页 |
| ·D-S 证据推理信息融合决策的基本过程 | 第48-49页 |
| ·算例分析 | 第49-51页 |
| ·基于D-S 证据理论的航空发动机气路故障诊断仿真验证 | 第51-53页 |
| ·小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第58页 |