| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题的研究背景和意义 | 第12-13页 |
| 1.2 信息融合技术概述 | 第13-14页 |
| 1.3 基于信息融合的故障诊断方法研究现状 | 第14-15页 |
| 1.4 本文的主要研究内容 | 第15-18页 |
| 第2章 基于神经网络的特征层初步诊断方法研究 | 第18-38页 |
| 2.1 BP神经网络基础 | 第18-20页 |
| 2.1.1 BP神经网络模型 | 第18-19页 |
| 2.1.2 BP神经网络学习规则 | 第19-20页 |
| 2.2 轧制过程征兆变量的选择 | 第20-23页 |
| 2.3 基于BP神经网络的轧制过程故障诊断 | 第23-28页 |
| 2.3.1 诊断模型的建立 | 第23页 |
| 2.3.2 诊断的基本步骤 | 第23-24页 |
| 2.3.3 算例分析 | 第24-28页 |
| 2.4 思维进化算法基础 | 第28-30页 |
| 2.5 基于思维进化算法优化BP神经网络的轧制过程故障诊断 | 第30-36页 |
| 2.5.1 诊断模型的建立 | 第30-32页 |
| 2.5.2 算例分析 | 第32-36页 |
| 2.6 本章小结 | 第36-38页 |
| 第3章 基于支持向量机的特征层初步诊断方法研究 | 第38-54页 |
| 3.1 支持向量机基础 | 第38-43页 |
| 3.1.1 线性可分 | 第38-41页 |
| 3.1.2 线性不可分 | 第41-42页 |
| 3.1.3 核函数 | 第42-43页 |
| 3.2 多分类问题 | 第43-45页 |
| 3.2.1 一对多方法 | 第43-44页 |
| 3.2.2 一对一方法 | 第44页 |
| 3.2.3 有向无环图方法 | 第44-45页 |
| 3.3 基于支持向量机的概率估计 | 第45-46页 |
| 3.4 基于交叉验证实现SVM分类器参数优化 | 第46-47页 |
| 3.5 基于支持向量机的轧制过程故障诊断 | 第47-53页 |
| 3.5.1 诊断模型的建立 | 第47-49页 |
| 3.5.2 算例分析 | 第49-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第4章 基于DSm理论的决策层多故障诊断方法研究 | 第54-62页 |
| 4.1 DSm理论基础 | 第54-57页 |
| 4.1.1 DSm理论基本概念 | 第54-56页 |
| 4.1.2 基于DSm的多故障表示 | 第56-57页 |
| 4.2 自由DSm理论 | 第57-58页 |
| 4.2.1 自由DSm模型 | 第57页 |
| 4.2.2 自由DSm融合规则 | 第57-58页 |
| 4.3 混合DSm理论 | 第58页 |
| 4.3.1 混合DSm模型 | 第58页 |
| 4.3.2 混合DSm融合规则 | 第58页 |
| 4.4 基于DSm理论的多故障诊断方法 | 第58-61页 |
| 4.4.1 诊断的基本步骤 | 第58-59页 |
| 4.4.2 算例分析 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 基于分类折扣DSm的决策层多故障诊断方法研究 | 第62-80页 |
| 5.1 混合DSm融合规则的缺陷 | 第62-64页 |
| 5.2 证据冲突衡量方法 | 第64-69页 |
| 5.2.1 典型证据冲突衡量方法 | 第64-66页 |
| 5.2.2 修正证据距离 | 第66-68页 |
| 5.2.3 基于合取冲突与修正证据距离的二元组冲突衡量方法 | 第68-69页 |
| 5.3 基于证据熵的证据主元 | 第69-70页 |
| 5.4 主元凝聚层证据聚类 | 第70-74页 |
| 5.5 基于分类折扣DSm的多故障诊断方法 | 第74-79页 |
| 5.5.1 分类折扣融合规则 | 第74-75页 |
| 5.5.2 算例分析 | 第75-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 6.1 总结 | 第80-81页 |
| 6.2 展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-90页 |
| 攻读硕士研究生期间主要成果 | 第90页 |
