| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 化工故障诊断方法概述 | 第10-12页 |
| 1.3 基于数据驱动的化工故障诊断方法研究现状 | 第12-16页 |
| 1.3.1 基于统计学习的方法 | 第12-14页 |
| 1.3.2 基于机器学习的方法 | 第14-15页 |
| 1.3.3 传统数据驱动化工故障诊断方法存在的问题 | 第15-16页 |
| 1.4 基于深度学习的化工故障诊断方法研究现状 | 第16-17页 |
| 1.5 本课题研究的主要内容及各章安排 | 第17-19页 |
| 第二章 基于主动学习的深层化工故障诊断方法 | 第19-36页 |
| 2.1 深度学习概述及扩展分析 | 第19-20页 |
| 2.1.1 深度学习基础模型 | 第19-20页 |
| 2.1.2 主动学习的必要性 | 第20页 |
| 2.2 深度神经网络模型 | 第20-24页 |
| 2.2.1 稀疏自编码器 | 第20-21页 |
| 2.2.2 堆栈降噪自编码器的基本原理 | 第21-23页 |
| 2.2.3 深度神经网络模型构建 | 第23-24页 |
| 2.3 基于主动学习的深度神经网络模型 | 第24-25页 |
| 2.4 实验验证与分析 | 第25-34页 |
| 2.4.1 数据集描述及参数设定 | 第25-27页 |
| 2.4.2 深度神经网络特征提取能力研究与分析 | 第27-29页 |
| 2.4.3 基于主动学习的深层化工故障诊断方法性能验证与分析 | 第29-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 自适应不平衡修正的深层化工故障诊断方法 | 第36-47页 |
| 3.1 面向不平衡数据的研究方法概述 | 第36-37页 |
| 3.2 评价指标 | 第37-38页 |
| 3.3 自适应不平衡修正的深度神经网络模型 | 第38-41页 |
| 3.3.1 代表性样本生成以及权值分配 | 第38-40页 |
| 3.3.2 基于主动学习的自适应参数修正 | 第40-41页 |
| 3.4 实验验证与分析 | 第41-45页 |
| 3.4.1 仿真场景及参数设置 | 第41页 |
| 3.4.2 模型性能验证 | 第41-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 分层增量的深层化工故障诊断方法 | 第47-57页 |
| 4.1 增量学习概述及必要性分析 | 第47-48页 |
| 4.2 增量学习在深层模型下的挑战 | 第48-49页 |
| 4.3 分层增量的深度神经网络模型 | 第49-52页 |
| 4.3.1 DNN诊断模型的分层增量学习 | 第50-51页 |
| 4.3.2 增量迁移过程 | 第51-52页 |
| 4.4 实验验证与分析 | 第52-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结和展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 研究展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-68页 |
| 附录 | 第68页 |