基于盲源分离和神经网络在齿轮故障诊断中的策略研究
| 中文摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-17页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外发展与现状 | 第10-14页 |
| ·盲源分离的发展与现状 | 第10-12页 |
| ·人工神经网络的发展与现状 | 第12-13页 |
| ·齿轮诊断的发展与现状 | 第13-14页 |
| ·机械振动的特性及常见齿轮故障 | 第14-15页 |
| ·论文的研究内容与结构安排 | 第15-17页 |
| 第2章 盲源分离的基础知识 | 第17-29页 |
| ·盲源分离的概念 | 第17-18页 |
| ·盲源分离的方法及应用 | 第18-20页 |
| ·盲源分离的独立性判据 | 第20-22页 |
| ·盲源分离的数学模型 | 第22-24页 |
| ·盲源分离的预处理方法 | 第24-26页 |
| ·中心化 | 第24页 |
| ·白化处理 | 第24-26页 |
| ·分离效果的评价指标 | 第26-27页 |
| ·性能指数 | 第26页 |
| ·相似系数 | 第26-27页 |
| ·二次残差 | 第27页 |
| ·盲源分离与独立成分分析 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 盲源分离的独立成分分析方法 | 第29-46页 |
| ·独立成分分析概述 | 第29-33页 |
| ·ICA的定义 | 第29-30页 |
| ·ICA的假设条件 | 第30-31页 |
| ·ICA的不确定性 | 第31-32页 |
| ·ICA与白化 | 第32-33页 |
| ·独立成分分析的基本方法 | 第33-37页 |
| ·ICA的目标函数 | 第33-36页 |
| ·ICA优化算法 | 第36-37页 |
| ·快速独立成分分析 | 第37-41页 |
| ·普通FastICA算法 | 第38-40页 |
| ·优化FastICA算法 | 第40-41页 |
| ·算法仿真 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 人工神经网络与故障模式识别 | 第46-54页 |
| ·人工神经网络模型 | 第46-49页 |
| ·神经元结构模型 | 第46-47页 |
| ·神经网络的连接形式 | 第47-49页 |
| ·人工神经网络特点 | 第49-50页 |
| ·人工神经网络与模式识别 | 第50-51页 |
| ·概率神经网络 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 齿轮故障诊断中的仿真分析 | 第54-60页 |
| ·齿轮振动信号的盲分离 | 第54-57页 |
| ·概率神经网络的训练及仿真 | 第57-59页 |
| ·输入和目标向量设计 | 第57-58页 |
| ·概率神经网络设计 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| ·全文工作总结 | 第60-61页 |
| ·展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
