| 中文摘要 | 第1-8页 |
| Abstract | 第8-16页 |
| 第一章.绪论 | 第16-34页 |
| §1.1.引言 | 第16页 |
| §1.2.故障诊断技术及其发展趋势 | 第16-19页 |
| §1.2.1.故障诊断的基本问题 | 第16-18页 |
| §1.2.2.故障诊断研究的难点问题和发展趋势 | 第18-19页 |
| §1.3.基于软计算故障诊断的主要方法及研究现状 | 第19-25页 |
| §1.3.1.基于神经网络的故障诊断 | 第21-23页 |
| §1.3.2.基于模糊理论的故障诊断 | 第23-24页 |
| §1.3.3.基于进化计算的故障诊断 | 第24-25页 |
| §1.3.4.基于粗糙集理论的故障诊断 | 第25页 |
| §1.4.气动执行器及其故障诊断现状 | 第25-26页 |
| §1.4.1.气动执行器装置 | 第25-26页 |
| §1.4.2.气动执行器故障诊断研究的意义和现状 | 第26页 |
| §1.5.冠心病早期诊断与心电图ECG的ST段提取的研究现状 | 第26-30页 |
| §1.5.1.冠心病及其诊断 | 第27页 |
| §1.5.2.ECG特征点提取及其有关诊断的研究现状 | 第27-29页 |
| §1.5.3.心电信号的数据来源 | 第29-30页 |
| §1.6.课题来源及研究意义 | 第30-31页 |
| §1.6.1.课题来源 | 第30页 |
| §1.6.2.研究意义 | 第30-31页 |
| §1.7.本文主要的工作及内容安排 | 第31-34页 |
| 第二章.模糊神经网络 | 第34-59页 |
| §2.1.引言 | 第34页 |
| §2.2.神经网络的非线性逼近能力 | 第34-37页 |
| §2.3.模糊模型的类型及分割形式 | 第37-41页 |
| §2.3.1.Mamdani模糊模型 | 第37-38页 |
| §2.3.2.Takagi-Sugeno模糊系统 | 第38-40页 |
| §2.3.3.Tsukamoto模糊模型 | 第40页 |
| §2.3.4.模糊模型的分割形式 | 第40-41页 |
| §2.4.模糊系统的通用近似特性 | 第41-45页 |
| §2.4.1.模糊基函数 | 第41-42页 |
| §2.4.2.模糊系统的通用逼近性 | 第42-45页 |
| §2.5.模糊神经网络的融合方式 | 第45-47页 |
| §2.6.模糊神经网络的故障诊断方法 | 第47-49页 |
| §2.7.模糊神经网络学习算法研究 | 第49页 |
| §2.8.基于T-S模糊模型的递归神经网络 | 第49-51页 |
| §2.8.1.基于T-S模糊模型的递归神经网络结构 | 第50-51页 |
| §2.8.2.基于T-S模糊模型的递归神经网络的通用逼近特性 | 第51页 |
| §2.9.基于T-S模糊模型的递归神经网络在系统辨识中的应用 | 第51-53页 |
| §2.9.1.结构辨识 | 第51-52页 |
| §2.9.2.参数辨识 | 第52-53页 |
| §2.10.仿真分析 | 第53-58页 |
| §2.10.1.仿真实例 | 第53-57页 |
| §2.10.2.结论 | 第57-58页 |
| §2.11.本章小结 | 第58-59页 |
| 第三章.自适应神经网络模糊推理系统(ANFIS) | 第59-82页 |
| §3.1.自适应网络 | 第59-72页 |
| §3.1.1.自适应神经网络的结构 | 第59-61页 |
| §3.1.2.反向传播学习规则 | 第61-65页 |
| §3.1.3.复合(Hybrid)学习算法 | 第65-68页 |
| §3.1.4.自适应网络的特例:神经网络 | 第68-72页 |
| §3.2.自适应神经-模糊推理系统ANFIS | 第72-76页 |
| §3.2.1.ANFIS结构 | 第72-75页 |
| §3.2.2.复合(Hybrid)学习算法 | 第75-76页 |
| §3.3.气动执行器的ANFIS建模 | 第76-80页 |
| §3.3.1.气动执行器的ANFIS模型 | 第77页 |
| §3.3.2.实验结果 | 第77-80页 |
| §3.4.本章小结 | 第80-82页 |
| 第四章.基于ANFIS模型和学习向量(LVQ)神经网络的故障诊断 | 第82-89页 |
| §4.1.引言 | 第82页 |
| §4.2.学习向量(LVQ)神经网络 | 第82-84页 |
| §4.3.用LVQ神经网络实现故障诊断的机理 | 第84-86页 |
| §4.3.1.ANFIS模型特征的抽取 | 第84-85页 |
| §4.3.2.用ANFIS模型和LVQ网络进行故障诊断 | 第85-86页 |
| §4.4.气动执行器故障诊断实验结果及分析 | 第86-88页 |
| §4.5.本章小结 | 第88-89页 |
| 第五章.基于ANFIS的多模型在线故障诊断 | 第89-96页 |
| §5.1.引言 | 第89页 |
| §5.2.多模型的建立 | 第89页 |
| §5.3.多模型故障诊断的机理 | 第89-91页 |
| §5.4.故障诊断的灵敏度和鲁棒性分析 | 第91页 |
| §5.5.基于ANFIS多模型的气动执行器故障诊断 | 第91-95页 |
| §5.5.1.实验结果 | 第91-92页 |
| §5.5.2.结果分析 | 第92-95页 |
| §5.6.本章小结 | 第95-96页 |
| 第六章.基于软计算故障诊断及其在冠心病早期诊断中的应用 | 第96-137页 |
| §6.1.引言 | 第96页 |
| §6.2.典型心电信号的组成及其生理意义 | 第96-98页 |
| §6.3.小波变换与心电信号ST段的提取原理 | 第98-103页 |
| §6.3.1.小波变换原理与基函数的选取 | 第98-99页 |
| §6.3.2.信号奇异值的小波变换检测原理 | 第99-103页 |
| §6.4.心电信号特征点的小波变换检测方法 | 第103-110页 |
| §6.4.1.波峰值点的检测 | 第105-108页 |
| §6.4.2.T波特征点的检测 | 第108-109页 |
| §6.4.3.ST段特征点的检测 | 第109-110页 |
| §6.5.ECG特征提取的实验结果及分析 | 第110-115页 |
| §6.5.1.采用华南医电的心电数据的实验结果 | 第110-111页 |
| §6.5.2.采用郑州大学一附院的运动平板系统心电数据的实验结果 | 第111-112页 |
| §6.5.3.美国MIT/BIH标准数据库数据进行实验 | 第112-115页 |
| §6.6.ST段分析 | 第115-117页 |
| §6.7.斜率法和函数拟合相结合的方法实现ST形态识别 | 第117-121页 |
| §6.7.1.斜率法和函数拟合相结合的诊断机理 | 第117-118页 |
| §6.7.2.实验结果 | 第118-121页 |
| §6.8.基于ANFIS的故障诊断及其应用 | 第121-126页 |
| §6.8.1.基于ANFIS的智能故障诊断机理 | 第121-123页 |
| §6.8.2.基于ANFIS的心电图ST段诊断 | 第123-125页 |
| §6.8.3.结果分析 | 第125-126页 |
| §6.8.4 结论 | 第126页 |
| §6.9.基于模糊自适应谐振映射理论的神经网络的故障诊断及应用 | 第126-131页 |
| §6.9.1.基于模糊自适应谐振映射理论神经网络的故障诊断机理 | 第126-130页 |
| §6.9.2.基于模糊自适应谐振映射理论神经网络的ST段形态识别机理 | 第130-131页 |
| §6.9.3.实验结果及分析 | 第131页 |
| §6.10.基于遗传算法BP神经网络的故障诊断 | 第131-135页 |
| §6.10.1.基于遗传算法BP神经网络的故障诊断机理 | 第132-134页 |
| §6.10.2.基于遗传算法BP神经网络在冠心病早期诊断上的应用 | 第134-135页 |
| §6.11.本章小结 | 第135-137页 |
| 第七章.总结与展望 | 第137-140页 |
| §7.1.本文总结 | 第137-138页 |
| §7.2.展望 | 第138-140页 |
| 致谢 | 第140-141页 |
| 攻读博士学位期间发表的学术论文及参加的科研项目 | 第141-143页 |
| 参考文献 | 第143-152页 |
