| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-21页 |
| ·课题来源及研究背景与意义 | 第10-11页 |
| ·课题来源 | 第10页 |
| ·研究背景与意义 | 第10-11页 |
| ·机械设备故障诊断技术发展及问题 | 第11-13页 |
| ·传统故障诊断技术 | 第11-12页 |
| ·智能故障诊断技术 | 第12-13页 |
| ·故障诊断技术中的小样本问题 | 第13页 |
| ·统计学习理论与贝叶斯网络 | 第13-14页 |
| ·贝叶斯网络的国内外研究综述 | 第14-20页 |
| ·国外贝叶斯网络的研究现状 | 第14-18页 |
| ·国内贝叶斯网络的研究现状 | 第18-20页 |
| ·本课题研究的主要内容 | 第20-21页 |
| 第2章 贝叶斯理论及贝叶斯分类模型 | 第21-30页 |
| ·引言 | 第21页 |
| ·贝叶斯定理和信息论基础 | 第21-23页 |
| ·贝叶斯基本定理 | 第21-22页 |
| ·贝叶斯信息论基础 | 第22-23页 |
| ·贝叶斯网络和贝叶斯分类器 | 第23-27页 |
| ·贝叶斯网络的定义 | 第23-25页 |
| ·贝叶斯分类器 | 第25-27页 |
| ·几种贝叶斯分类模型 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 简单朴素贝叶斯分类的改进算法 | 第30-40页 |
| ·引言 | 第30页 |
| ·基于连续型属性变量的朴素贝叶斯分类算法 | 第30-33页 |
| ·连续属性变量的类条件概率模型 | 第31-32页 |
| ·算法实现 | 第32-33页 |
| ·CNBC分类模型性能指标 | 第33-34页 |
| ·CNBC分类试验 | 第34-39页 |
| ·试验数据 | 第34页 |
| ·试验方法描述 | 第34-35页 |
| ·试验结果分析 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 通用贝叶斯网络分类算法 | 第40-56页 |
| ·引言 | 第40页 |
| ·贝叶斯网络建网过程 | 第40-42页 |
| ·贝叶斯网络结构学习 | 第42-44页 |
| ·K2 算法 | 第43-44页 |
| ·K2 算法存在的先验问题 | 第44页 |
| ·基于K2 算法构建通用贝叶斯网络分类器 | 第44-46页 |
| ·算法描述 | 第44-45页 |
| ·构建通用贝叶斯网络分类器 | 第45-46页 |
| ·GBNC_K2 分类试验 | 第46-55页 |
| ·采用自制数据验证网络结构 | 第46-48页 |
| ·采用IRIS数据试验与结果分析 | 第48-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 分类算法在小样本故障诊断中的应用 | 第56-69页 |
| ·引言 | 第56页 |
| ·开发系统的选择和简介 | 第56-57页 |
| ·操作系统的选择 | 第56-57页 |
| ·开发工具的选择 | 第57页 |
| ·应用对象选择与数据准备 | 第57-59页 |
| ·旋转机械滚动轴承故障 | 第58-59页 |
| ·研究数据准备 | 第59页 |
| ·分类模型的应用研究 | 第59-68页 |
| ·分类诊断系统框架 | 第59页 |
| ·数据预处理 | 第59-60页 |
| ·利用CNBC分类模型进行故障诊断与结果分析 | 第60-64页 |
| ·利用GBNC_K2 分类模型进行故障诊断与结果分析 | 第64-68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76页 |