| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景与意义 | 第16-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 维修资源预测方法 | 第18-20页 |
| 1.2.2 雷达维修资源预测方法及存在的问题 | 第20-21页 |
| 1.3 论文研究内容与结构 | 第21-23页 |
| 1.3.1 研究思路 | 第21-22页 |
| 1.3.2 研究内容 | 第22-23页 |
| 1.4 论文章节安排 | 第23-26页 |
| 第二章 雷达激光测距机运行特征与故障的关联分析 | 第26-44页 |
| 2.1 某型现役雷达概述 | 第26-28页 |
| 2.2 某型现役雷达光电跟踪器结构组成 | 第28-29页 |
| 2.3 雷达激光测距机基本构成及其故障分析 | 第29-31页 |
| 2.3.1 某型现役雷达激光测距机主要构成 | 第29页 |
| 2.3.2 雷达激光测距机常见故障及排除方法 | 第29-31页 |
| 2.4 雷达激光测距机特征数据 | 第31-34页 |
| 2.4.1 雷达激光测距机运行特征大数据的来源 | 第31-33页 |
| 2.4.2 雷达激光测距机运行特征大数据的预处理 | 第33-34页 |
| 2.5 基于分层映射的运行特征与雷达维修资源关联 | 第34-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第三章 雷达激光测距机故障特征提取 | 第44-62页 |
| 3.1 雷达激光测距机故障特征参数降噪 | 第44-49页 |
| 3.1.1 二进制小波变换与降噪方法 | 第44-46页 |
| 3.1.2 基于小波模极大值的故障特征参数降噪 | 第46-48页 |
| 3.1.3 雷达激光测距机故障特征参数降噪评价标准 | 第48-49页 |
| 3.2 雷达激光测距机维修资源特征大数据分析与提取 | 第49-54页 |
| 3.2.1 遗传算法概述 | 第49-51页 |
| 3.2.2 基于粗糙遗传约简的雷达激光测距机故障特征大数据分析 | 第51-52页 |
| 3.2.3 雷达激光测距机故障特征参数的提取 | 第52-54页 |
| 3.3 雷达激光测距机特征提取实例分析 | 第54-61页 |
| 3.3.1 实验环境和实验数据 | 第54页 |
| 3.3.2 基于小波模极大值的降噪处理 | 第54-57页 |
| 3.3.3 基于粗糙遗传约简的雷达激光测距机特征参数提取 | 第57-61页 |
| 3.4 本章小结 | 第61-62页 |
| 第四章 雷达激光测距机故障特征参数预测 | 第62-74页 |
| 4.1 多变量非等间距预测模型GM(1,m) | 第62-65页 |
| 4.2 雷达激光测距机故障特征参数预测模型的构建 | 第65-66页 |
| 4.3 激光测距机特征参数预测实例分析 | 第66-72页 |
| 4.4 本章小结 | 第72-74页 |
| 第五章 雷达激光测距机维修资源预测 | 第74-96页 |
| 5.1 模糊理论基础 | 第74-75页 |
| 5.1.1 模糊理论与技术 | 第74页 |
| 5.1.2 隶属度函数 | 第74-75页 |
| 5.2 遗传算法优化的模糊神经网络模型 | 第75-78页 |
| 5.3 雷达激光测距机维修资源预测模型 | 第78-85页 |
| 5.3.1 雷达激光测距机故障识别模型的构建 | 第78-82页 |
| 5.3.2 雷达激光测距机维修资源预测方法 | 第82-83页 |
| 5.3.3 雷达激光测距机维修资源预测过程 | 第83-85页 |
| 5.4 激光测距机维修资源预测实例分析 | 第85-95页 |
| 5.5 本章小结 | 第95-96页 |
| 第六章 总结与展望 | 第96-98页 |
| 6.1 论文总结 | 第96页 |
| 6.2 未来展望 | 第96-98页 |
| 参考文献 | 第98-102页 |
| 附录A 多变量非等间距模型GM(1,m)的预测结果 | 第102-106页 |
| 附录B 特征参数的预测曲线 | 第106-112页 |
| 致谢 | 第112-114页 |
| 作者简介 | 第114-115页 |
