| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-21页 |
| ·论文的研究背景及意义 | 第13-14页 |
| ·国内外磨损趋势预测方法研究现状 | 第14-18页 |
| ·国外磨损预测技术的研究现状 | 第14-15页 |
| ·国内磨损预测技术的研究现状 | 第15-18页 |
| ·主要研究内容及特色 | 第18-20页 |
| ·主要研究内容 | 第18-19页 |
| ·论文主要特色及创新点 | 第19-20页 |
| ·论文章节安排 | 第20-21页 |
| 第2章 航空发动机磨损趋势智能预测方法选择 | 第21-38页 |
| ·航空发动机磨损及润滑理论 | 第21-24页 |
| ·磨损定义 | 第21-22页 |
| ·磨损过程机理分析 | 第22页 |
| ·发动机润滑系统 | 第22-24页 |
| ·滑油时间序列预测方法选择 | 第24-26页 |
| ·滑油分析法 | 第24页 |
| ·时间序列预测 | 第24-25页 |
| ·预测方法选择 | 第25-26页 |
| ·支持向量机回归模型及其应用验证 | 第26-31页 |
| ·支持向量机回归模型 | 第26-27页 |
| ·基于支持向量机的航空发动机磨损趋势预测 | 第27-31页 |
| ·神经网络模型及其应用验证 | 第31-35页 |
| ·BP 网络模型 | 第32页 |
| ·RBF 网络模型 | 第32-34页 |
| ·基于神经网络的航空发动机磨损趋势预测 | 第34-35页 |
| ·预测结果对比分析 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 基于改进 RBF 网络的航空发动机磨损趋势预测 | 第38-49页 |
| ·RBF 网络学习算法 | 第38-41页 |
| ·聚类算法 | 第38页 |
| ·梯度训练法 | 第38-39页 |
| ·正交最小二乘法 | 第39-40页 |
| ·RBF 网络模型的不足 | 第40-41页 |
| ·遗传算法优化RBF 网络 | 第41-45页 |
| ·遗传算法的基本概念 | 第41-42页 |
| ·遗传算法的运算过程 | 第42-43页 |
| ·遗传算法优化的RBF 网络模型 | 第43-45页 |
| ·基于GARBF 网络的航空发动机光谱时间序列趋势预测 | 第45-48页 |
| ·仿真实例一 | 第45-47页 |
| ·仿真实例二 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 基于变权重组合模型的航空发动机磨损趋势预测 | 第49-58页 |
| ·铁谱分析数据预测模型选择 | 第49-50页 |
| ·铁谱分析技术 | 第49页 |
| ·模型选择 | 第49-50页 |
| ·变权重组合预测模型 | 第50-52页 |
| ·组合预测的概念 | 第50-51页 |
| ·变权重组合预测的概念 | 第51页 |
| ·RBF 网络变权重组合预测模型 | 第51-52页 |
| ·航空发动机磨损趋势RBF 网络变权重组合预测 | 第52-54页 |
| ·子预测模型选取 | 第52页 |
| ·RBF 变权重组合预测模型仿真实例 | 第52-54页 |
| ·改进的RBF 变权重组合预测模型仿真 | 第54-57页 |
| ·仿真实例一 | 第54-56页 |
| ·仿真实例二 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 航空发动机磨损趋势智能预测系统的设计及开发 | 第58-70页 |
| ·系统简介 | 第58-59页 |
| ·需求分析 | 第59页 |
| ·数据库设计 | 第59-61页 |
| ·系统总体设计 | 第61-69页 |
| ·用户管理模块 | 第61-64页 |
| ·数据管理模块 | 第64-66页 |
| ·趋势预测模块 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 附录Ⅰ C-C 方法确定相空间重构参数程序清单 | 第72-74页 |
| 附录Ⅱ遗传算法优化RBF 网络程序清单 | 第74-77页 |
| 附录Ⅲ遗传算法优化RBF 网络变权重组合模型程序清单 | 第77-80页 |
| 参考文献 | 第80-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第83页 |
