声明
摘要
第1章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 故障诊断特征提取技术
1.2.2 随机邻域嵌入算法研究现状
1.2.3 随机邻域嵌入算法在实际中的应用研究现状
1.3 论文主要研究内容
第2章 随机邻域嵌入算法分析
2.1 常见数据降维算法介绍
2.1.1 随机邻域嵌入算法
2.1.2 主成分分析(PCA)
2.1.3 局部线性嵌入(LLE)
2.2 几种降维算法对数据集的降维效果
2.2.1 低维降维效果
2.2.2 分类效果比较
2.3 随机邻域嵌入算法分析
2.4 本章小结
第3章 基于Manhattan距离的随机邻域嵌入算法
3.1 Manhattan距离与欧氏距离
3.2 基于Manhattan距离的随机邻域嵌入算法(Manhattan-SNE)
3.3 UCI数据分类识别
3.3.1 低维可视化效果
3.3.2 与其他降维方法的分类效果比较
3.4 仿真故障数据分类识别
3.4.1 故障原始特征提取
3.4.2 仿真故障信号分析
3.5 本章小结
第4章 基于拉普拉斯正则化度量学习的随机邻域嵌入算法
4.1 半监督学习研究背景及意义
4.2 半监督随机邻域嵌入算法
4.2.1 距离度量学习
4.2.2 基于拉普拉斯正则化度量学习的半监督随机邻域嵌入算法(ss-SNE)
4.3 UCI数据分类识别
4.3.1 ss-SNE算法对数据集的分类效果
4.3.2 ss-SNE与其他半监督降维算法的对比
4.4 本章小结
第5章 增量随机邻域嵌入算法
5.1 增量学习
5.2 增量随机邻域嵌入算法
5.2.1 增量问题描述
5.2.2 两种增量思路
5.2.3 增量学习算法判断准则
5.2.4 两种增量学习思路的增量误差比较
5.3 UCI数据分析
5.4 本章小结
第6章 故障诊断实例分析
6.1 齿轮箱故障实验
6.2 基于Manhattan-SNE算法的故障诊断
6.2.1 故障信号处理流程
6.2.2 齿轮箱故障信号分析
6.3 基于半监督随机邻域嵌入算法的故障诊断
6.3.1 故障信号处理流程
6.3.2 齿轮箱故障信号分析
6.4 基于增量随机邻域嵌入算法的故障诊断
6.4.1 故障信号处理流程
6.4.2 齿轮箱故障信号分析
6.5 本章小结
第7章 总结与展望
7.1 全文总结
7.2 展望
参考文献
致谢
攻读硕士学位期间发表的论文