| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 故障诊断研究现状 | 第10-12页 |
| 1.2.2 深度学习研究现状 | 第12-14页 |
| 1.3 论文研究内容 | 第14-16页 |
| 第二章 深度信念网络理论 | 第16-27页 |
| 2.1 受限玻尔兹曼机 | 第16-23页 |
| 2.1.1 受限玻尔兹曼机的基本模型 | 第16-19页 |
| 2.1.2 基于对比散度的快速训练算法 | 第19-23页 |
| 2.2 深度信念网络 | 第23-26页 |
| 2.2.1 深度信念网络的基本模型 | 第23-24页 |
| 2.2.2 基于贪婪逐层算法的无监督训练 | 第24-25页 |
| 2.2.3 基于带标签数据的有监督全局微调 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 深度信念网络性能影响因素 | 第27-40页 |
| 3.1 实验数据介绍 | 第27-28页 |
| 3.2 深度信念网络的输入数据预处理 | 第28-31页 |
| 3.3 深度信念网络的迭代次数 | 第31-33页 |
| 3.4 深度信念网络的学习率 | 第33-34页 |
| 3.5 深度信念网络的权重初始值 | 第34-37页 |
| 3.6 深度信念网络的神经元数 | 第37-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第四章 深度信念网络故障诊断模型关键参数优化 | 第40-61页 |
| 4.1 动量法与学习率算法优化 | 第40-43页 |
| 4.1.1 Nesterov动量法 | 第40-42页 |
| 4.1.2 独立自适应学习率方法 | 第42-43页 |
| 4.2 优化后的深度信念网络故障诊断模型 | 第43-45页 |
| 4.3 算法验证 | 第45-60页 |
| 4.3.1 汽车变速器齿轮箱故障诊断 | 第45-52页 |
| 4.3.2 列车滚动轴承故障诊断 | 第52-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 优化后的深度信念网络在轴承故障诊断中的应用 | 第61-77页 |
| 5.1 优化后的深度信念网络轴承多故障诊断 | 第61-76页 |
| 5.1.1 实验数据平台介绍 | 第61-65页 |
| 5.1.2 NM-based ADDBN轴承故障诊断模型 | 第65-69页 |
| 5.1.3 实验结果与分析 | 第69-76页 |
| 5.2 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 工作总结 | 第77-78页 |
| 6.2 研究展望 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 读硕士学位期间发表的论文及申请的专利 | 第84-85页 |
| 致谢 | 第85-86页 |