首页--军事论文--军事技术论文--武器、军用器材论文--装甲兵武器、各种战车论文

基于深度学习理论的车载电源健康诊断方法研究

摘要第7-8页
Abstract第8-9页
第1章 绪论第12-20页
    1.1 选题的背景及意义第12-13页
    1.2 设备健康评估技术的发展现状第13-15页
    1.3 故障诊断方法的研究现状第15-17页
    1.4 深度学习理论及其在故障诊断中的应用第17-18页
    1.5 本文的主要研究内容及章节安排第18-19页
    1.6 本章小结第19-20页
第2章 基于DBN-MD的车载电源健康评估方法研究第20-34页
    2.1 引言第20-21页
    2.2 基于DBN-MD的车载电源健康状态评估第21-25页
        2.2.1 深度学习网络的确定第21-22页
        2.2.2 基于DBN的车载电源健康状态识别模型训练第22-25页
    2.3 车载电源仿真平台与数据获取第25-28页
        2.3.1 车载电源及其仿真平台第25-27页
        2.3.2 数据获取第27-28页
    2.4 车载电源的健康评估仿真结果及分析第28-32页
    2.5 本章小结第32-34页
第3章 基于DBN的车载电源故障诊断方法研究第34-41页
    3.1 引言第34-35页
    3.2 基于深度学习理论的车载电源故障诊断方法第35-37页
        3.2.1 车载电源故障诊断深度学习网络的确定第35页
        3.2.2 基于DBN的车载电源故障诊断方法第35-37页
    3.3 仿真实验与结果分析第37-40页
        3.3.1 实验数据获取第37-38页
        3.3.2 训练过程第38-39页
        3.3.3 故障诊断结果与分析第39-40页
    3.4 本章小结第40-41页
第4章 基于PCA-DBN的车载电源故障诊断方法研究第41-49页
    4.1 引言第41页
    4.2 基于PCA-DBN车载电源故障诊断方法研究第41-43页
        4.2.1 基于PCA的数据降维方法第41-42页
        4.2.2 基于PCA-DBN车载电源故障诊断方法第42-43页
    4.3 仿真实验与结果分析第43-48页
        4.3.1 数据集描述第44页
        4.3.2 PCA数据降维第44页
        4.3.3 仿真实验与结果分析第44-48页
    4.4 本章小结第48-49页
结论与展望第49-51页
参考文献第51-57页
致谢第57-58页
附录 攻读学位期间发表的学术论文第58页

论文共58页,点击 下载论文
上一篇:导弹直/气复合控制系统的自适应控制
下一篇:季冻区高铁路基秸秆覆盖下保温效果研究