掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
機械故障信號的量子計算分析及智能診斷 版權信息
- ISBN：9787118103595
- 條形碼：9787118103595 ; 978-7-118-10359-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
機械故障信號的量子計算分析及智能診斷 本書特色
《機械故障信號的量子計算分析及智能診斷》以量子計算為主要分析手段，以齒輪和軸向柱塞泵的振動信號為主要研究對象，研究了量子計算在機械設備故障信號特征提取、故障診斷與特征選擇中的應用方法，提出了量子門神經網絡、量子限制波爾茲曼機網絡、量子門遺傳算法和量子偏*小二乘法等算法，建立了一套以量子計算為基礎的特征提取、模式識別和特征選擇的理論體系，提高了機械設備故障信號智能診斷的效率和精度。 本書適合從事量子計算及其算法、機械設備故障診斷研究的科研人員使用，也可供相關專業研究生參考。
機械故障信號的量子計算分析及智能診斷 內容簡介
本書以量子計算為主要分析手段，以機械設備中的齒輪和軸向柱塞泵故障信號為研究對象，首次系統而深入地研究了量子計算及其算法在機械故障信號分析與智能診斷方法中的應用。主要內容包括基于量子傅里葉變換的機械故障振動信號特征提取算法，基于量子門量子神經網絡、量子限制玻爾茲曼機網絡的機械故障信號智能診斷方法，量子偏*小二乘回歸分析方法，基于通用量子門量子遺傳算法、漸近式Bloch球面搜索量子遺傳算法和量子遺傳偏*小二乘法的機械故障信號特征選擇方法等。
機械故障信號的量子計算分析及智能診斷 目錄
第1章 概論
1.1 機械故障信號處理和智能診斷技術
1.2 機械故障信號的特征提取方法研究現狀
1.2.1 傅里葉變換
1.2.2 小波變換
1.2.3 希爾伯特-黃變換
1.2.4 ar模型
1.3 機械故障信號特征選擇方法研究現狀
1.3.1 遺傳算法
1.3.2 遺傳偏*小二乘法
1.4 機械故障信號智能診斷的研究現狀
1.4.1 專家系統
1.4.2 神經網絡
1.4.3 支持向量機
1.4.4 限制波爾茲曼機網絡
第2章 量子計算基礎
2.1 引言
2.2 量子力學概念
2.2.1 量子態及其特性
2.2.2 希爾伯特空間及其運算
2.2.3 幺正變換
2.3 量子比特表示
2.3.1 二維直角坐標
2.3.2 三維bloch球面坐標
2.4 量子寄存器
2.5 量子門
2.5.1 單量子比特門
2.5.2 雙量子比特門
2.5.3 通用量子門
2.6 量子線路
2.7 量子計算的研究現狀
2.7.1 量子計算研究概況
2.7.2 量子計算在振動信號處理和智能診斷中的應用現狀
第3章 機械故障信號的量子傅里葉變換特征提取方法
3.1 引言
3.2 機械故障設備常見故障
3.2.1 齒輪常見故障
3.2.2 液壓系統常見故障
3.3 機械故障信號的采集系統
3.3.1 齒輪振動試驗臺架
3.3.2 液壓系統綜合檢測試驗設備
3.4 量子傅里葉變換
3.4.1 基本原理
3.4.2 算法實現步驟
3.4.3 仿真信號分析
3.5 量子傅里葉變換在機械故障信號特征提取中的應用
3.5.1 齒輪故障信號分析
3.5.2 軸向柱塞泵故障信號分析
3.6 本章小結
第4章 基于希爾伯特-黃和ar模型的特征提取方法
4.1 漸近式權值小波變換的降噪方法
4.1.1 小波變換用于信號降噪的原理
4.1.2 漸近式權值小波降噪方法
4.1.3 仿真實驗分析
4.1.4 基于漸近式權值小波的軸向柱塞泵振動信號降噪
4.2 基于希爾伯特-黃變換和ar模型的特征提取模型
4.2.1 希爾伯特-黃變換
4.2.2 ar模型
4.2.3 基于希爾伯特-黃變換和ar模型的特征提取模型
4.2.4 實例分析
4.3 本章小結
第5章 機械故障信號的量子神經網絡分類方法研究
5.1 引言
5.2 量子bp神經網絡
5.2.1 神經元模型
5.2.2 學習算法
5.3 量子bp神經網絡的機械故障信號分類
5.3.1 齒輪故障信號分類
5.3.2 軸向柱塞泵故障信號分類
5.4 通用量子門的量子神經網絡
5.4.1 神經元模型
5.4.2 算法描述
5.4.3 泛化性能分析
5.4.4 仿真結果對比
5.5 通用量子門量子神經網絡的機械故障信號分類
5.5.1 齒輪故障信號分類
5.5.2 軸向柱塞泵故障信號分類
5.6 本章小結
第6章 機械故障信號的量子限制波爾茲曼機網絡分類方法研究
6.1 引言
6.2 基于量子計算的限制波爾茲曼機網絡（qrbm）
6.2.1 限制波爾茲曼機網絡
6.2.2 qrbm神經元模型
6.2.3 qrbm的算法實現
6.2.4 網絡參數的優化和更新
6.3 基于qrbm的機械故障信號分類方法
6.3.1 齒輪故障信號分類
6.3.2 軸向柱塞泵故障信號分類
6.4 基于量子門的量子限制波爾茲曼機網絡
6.4.1 量子線路的搭建
6.4.2 學習算法
6.5 基于qgrbm的機械故障信號分類方法
6.5.1 齒輪故障信號分類
6.5.2 軸向柱塞泵故障信號分類
6.6 本章小結
第7章 量子遺傳算法特征選擇方法研究
7.1 引言
7.2 基于通用量子門的量子遺傳算法（uqgn）
7.2.1 基本量子遺傳算法
7.2.2 uqga的算法描述
7.2.3 收斂性證明
7.3 uqga在機械故障信號特征選擇中的應用
7.3.1 uqga在齒輪故障信號特征選擇中的應用
7.3.2 uqga在軸向柱塞泵故障信號特征選擇中的應用
7.4 漸近式bloch球面搜索的量子遺傳算法
7.4.1 gabqga的基本原理
7.4.2 gabqga的算法描述
7.5 gabqga在機械故障信號特征選擇中的應用
7.5.1 gabqga在齒輪故障信號特征選擇中的應用
7.5.2 gabqga在軸向柱塞泵故障信號特征選擇中的應用
7.6 本章小結
第8章 遺傳偏*小二乘法特征選擇方法研究
8.1 gapls特征選擇算法
8.1.1 遺傳算法
8.1.2 偏*小二乘回歸分析
8.1.3 gapls法
8.2 仿真實驗
8.3 實例分析
8.3.1 基于gapls算法的軸向柱塞泵特征選擇模型
8.3.2 基于gapls算法的手動換向閥特征選擇模型
8.4 本章小結
第9章 量子遺傳偏*小二乘特征選擇方法研究
9.1 引言
9.2 量子偏*小二乘法
9.2.1 基本理論
9.2.2 學習算法
9.2.3 交叉檢驗的有效性分析
9.2.4 量子線路
9.3 量子遺傳偏*小二乘法（qgapls）
9.3.1 qgapls的算法描述
9.3.2 仿真結果對比
9.4 qgapls在機械故障信號特征選擇中的應用
9.4.1 qgapls在齒輪故障信號特征選擇中的應用
9.4.2 qgapls在軸向柱塞泵故障信號特征選擇中的應用
9.5 機械設備在線狀態監測的qgrbm優化策略
9.5.1 改進的量子遺傳偏*小二乘法
9.5.2 齒輪箱在線狀態監測的qgrbm優化策略
9.5.3 軸向柱塞泵在線狀態監測的qgrbm優化策略
9.6 本章小結
第10章 液壓系統故障診斷專家系統的設計與實現
10.1 液壓故障診斷專家系統總體設計
10.2 專家系統知識庫
10.2.1 知識的獲取
10.2.2 知識的表示
10.2.3 基于故障樹的專家系統知識庫的建立
10.2.4 故障樹知識庫管理界面
10.2.5 支持向量機知識庫的建立
10.3 診斷推理功能的設計與實現
10.3.1 基于故障樹分析的診斷推理的實現
10.3.2 支持向量機診斷推理模塊的設計實現
10.3.3 解釋機制
10.3.4 delphi調用matlab的編程實現技術
10.4 本章小結
參考文獻
1.1 機械故障信號處理和智能診斷技術
1.2 機械故障信號的特征提取方法研究現狀
1.2.1 傅里葉變換
1.2.2 小波變換
1.2.3 希爾伯特-黃變換
1.2.4 ar模型
1.3 機械故障信號特征選擇方法研究現狀
1.3.1 遺傳算法
1.3.2 遺傳偏*小二乘法
1.4 機械故障信號智能診斷的研究現狀
1.4.1 專家系統
1.4.2 神經網絡
1.4.3 支持向量機
1.4.4 限制波爾茲曼機網絡
第2章 量子計算基礎
2.1 引言
2.2 量子力學概念
2.2.1 量子態及其特性
2.2.2 希爾伯特空間及其運算
2.2.3 幺正變換
2.3 量子比特表示
2.3.1 二維直角坐標
2.3.2 三維bloch球面坐標
2.4 量子寄存器
2.5 量子門
2.5.1 單量子比特門
2.5.2 雙量子比特門
2.5.3 通用量子門
2.6 量子線路
2.7 量子計算的研究現狀
2.7.1 量子計算研究概況
2.7.2 量子計算在振動信號處理和智能診斷中的應用現狀
第3章 機械故障信號的量子傅里葉變換特征提取方法
3.1 引言
3.2 機械故障設備常見故障
3.2.1 齒輪常見故障
3.2.2 液壓系統常見故障
3.3 機械故障信號的采集系統
3.3.1 齒輪振動試驗臺架
3.3.2 液壓系統綜合檢測試驗設備
3.4 量子傅里葉變換
3.4.1 基本原理
3.4.2 算法實現步驟
3.4.3 仿真信號分析
3.5 量子傅里葉變換在機械故障信號特征提取中的應用
3.5.1 齒輪故障信號分析
3.5.2 軸向柱塞泵故障信號分析
3.6 本章小結
第4章 基于希爾伯特-黃和ar模型的特征提取方法
4.1 漸近式權值小波變換的降噪方法
4.1.1 小波變換用于信號降噪的原理
4.1.2 漸近式權值小波降噪方法
4.1.3 仿真實驗分析
4.1.4 基于漸近式權值小波的軸向柱塞泵振動信號降噪
4.2 基于希爾伯特-黃變換和ar模型的特征提取模型
4.2.1 希爾伯特-黃變換
4.2.2 ar模型
4.2.3 基于希爾伯特-黃變換和ar模型的特征提取模型
4.2.4 實例分析
4.3 本章小結
第5章 機械故障信號的量子神經網絡分類方法研究
5.1 引言
5.2 量子bp神經網絡
5.2.1 神經元模型
5.2.2 學習算法
5.3 量子bp神經網絡的機械故障信號分類
5.3.1 齒輪故障信號分類
5.3.2 軸向柱塞泵故障信號分類
5.4 通用量子門的量子神經網絡
5.4.1 神經元模型
5.4.2 算法描述
5.4.3 泛化性能分析
5.4.4 仿真結果對比
5.5 通用量子門量子神經網絡的機械故障信號分類
5.5.1 齒輪故障信號分類
5.5.2 軸向柱塞泵故障信號分類
5.6 本章小結
第6章 機械故障信號的量子限制波爾茲曼機網絡分類方法研究
6.1 引言
6.2 基于量子計算的限制波爾茲曼機網絡（qrbm）
6.2.1 限制波爾茲曼機網絡
6.2.2 qrbm神經元模型
6.2.3 qrbm的算法實現
6.2.4 網絡參數的優化和更新
6.3 基于qrbm的機械故障信號分類方法
6.3.1 齒輪故障信號分類
6.3.2 軸向柱塞泵故障信號分類
6.4 基于量子門的量子限制波爾茲曼機網絡
6.4.1 量子線路的搭建
6.4.2 學習算法
6.5 基于qgrbm的機械故障信號分類方法
6.5.1 齒輪故障信號分類
6.5.2 軸向柱塞泵故障信號分類
6.6 本章小結
第7章 量子遺傳算法特征選擇方法研究
7.1 引言
7.2 基于通用量子門的量子遺傳算法（uqgn）
7.2.1 基本量子遺傳算法
7.2.2 uqga的算法描述
7.2.3 收斂性證明
7.3 uqga在機械故障信號特征選擇中的應用
7.3.1 uqga在齒輪故障信號特征選擇中的應用
7.3.2 uqga在軸向柱塞泵故障信號特征選擇中的應用
7.4 漸近式bloch球面搜索的量子遺傳算法
7.4.1 gabqga的基本原理
7.4.2 gabqga的算法描述
7.5 gabqga在機械故障信號特征選擇中的應用
7.5.1 gabqga在齒輪故障信號特征選擇中的應用
7.5.2 gabqga在軸向柱塞泵故障信號特征選擇中的應用
7.6 本章小結
第8章 遺傳偏*小二乘法特征選擇方法研究
8.1 gapls特征選擇算法
8.1.1 遺傳算法
8.1.2 偏*小二乘回歸分析
8.1.3 gapls法
8.2 仿真實驗
8.3 實例分析
8.3.1 基于gapls算法的軸向柱塞泵特征選擇模型
8.3.2 基于gapls算法的手動換向閥特征選擇模型
8.4 本章小結
第9章 量子遺傳偏*小二乘特征選擇方法研究
9.1 引言
9.2 量子偏*小二乘法
9.2.1 基本理論
9.2.2 學習算法
9.2.3 交叉檢驗的有效性分析
9.2.4 量子線路
9.3 量子遺傳偏*小二乘法（qgapls）
9.3.1 qgapls的算法描述
9.3.2 仿真結果對比
9.4 qgapls在機械故障信號特征選擇中的應用
9.4.1 qgapls在齒輪故障信號特征選擇中的應用
9.4.2 qgapls在軸向柱塞泵故障信號特征選擇中的應用
9.5 機械設備在線狀態監測的qgrbm優化策略
9.5.1 改進的量子遺傳偏*小二乘法
9.5.2 齒輪箱在線狀態監測的qgrbm優化策略
9.5.3 軸向柱塞泵在線狀態監測的qgrbm優化策略
9.6 本章小結
第10章 液壓系統故障診斷專家系統的設計與實現
10.1 液壓故障診斷專家系統總體設計
10.2 專家系統知識庫
10.2.1 知識的獲取
10.2.2 知識的表示
10.2.3 基于故障樹的專家系統知識庫的建立
10.2.4 故障樹知識庫管理界面
10.2.5 支持向量機知識庫的建立
10.3 診斷推理功能的設計與實現
10.3.1 基于故障樹分析的診斷推理的實現
10.3.2 支持向量機診斷推理模塊的設計實現
10.3.3 解釋機制
10.3.4 delphi調用matlab的編程實現技術
10.4 本章小結
參考文獻
展開全部
書友推薦
- >
我從未如此眷戀人間
- >
朝聞道
- >
煙與鏡
- >
小考拉的故事-套裝共3冊
- >
二體千字文
- >
唐代進士錄
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
月亮與六便士
本類暢銷
