中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
基于免疫機理和神經網絡的智能故障診斷方法 版權信息
- ISBN：9787030668851
- 條形碼：9787030668851 ; 978-7-03-066885-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于免疫機理和神經網絡的智能故障診斷方法 內容簡介
本書詳細闡述了基于免疫機理和神經網絡的兩種智能故障診斷新方法, 主要包括基于免疫網絡模型的改進的故障診斷算法、與粗糙集理論相結合的免疫網絡故障診斷算法、基于量子超球神經網絡的故障檢測方法和基于云神經網絡的故障診斷方法等8種方法。
基于免疫機理和神經網絡的智能故障診斷方法 目錄
前言
第1章 緒論 1
1.1 故障診斷基本原理與方法 1
1.1.1 故障診斷重要意義 1
1.1.2 故障診斷基本原理 2
1.1.3 故障診斷基本方法 2
1.2 智能故障診斷方法發展現狀 3
1.2.1 單一智能故障診斷方法 3
1.2.2 集成智能故障診斷方法 5
1.2.3 智能故障診斷方法當前存在的主要問題 5
1.3 基于免疫機理的故障診斷理論基礎 6
1.3.1 故障診斷的免疫學基礎 6
1.3.2 基于免疫機理的故障診斷基本思想 14
1.3.2 基于免疫機理的故障診斷方法研究現狀 18
1.4 基于神經網絡的故障診斷理論基礎 19
1.4.1 故障診斷的神經生物學基礎 19
1.4.2 基于神經網絡的故障診斷基本思想 25
1.4.3 基于神經網絡的故障診斷方法研究現狀 29
第2章 基于免疫網絡模型的改進的故障診斷算法 31
2.1 概述 31
2.2 基于免疫網絡模型的傳統的故障診斷算法 32
2.3 基于免疫網絡模型的改進的故障診斷算法 34
2.4 仿真實驗 38
2.4.1 實驗過程及結果 38
2.4.2 實驗結果分析 39
2.4.3 實驗結果對比分析 39
2.4.4 關于算法中三個系數值的選擇 42
2.5 本章小結 5
第3 章 與粗糙集理論相結合的免疫網絡故障診斷算法 55
3.1 概述 55
3.2 粗糙集理論 56
3.3 粗糙集理論在免疫網絡算法中的應用分析 58
3.4 基于粗糙集理論的免疫網絡故障診斷算法 59
3.4.1 剪枝門限與漏診和誤診的關系 59
3.4.2 模式空間的鄰域粗糙逼近 60
3.4.3 剪枝門限自適應調整算法 61
3.5 仿真實驗 62
3.5.1 實驗結果分析 62
3.5.2 實驗結果對比分析 63
3.6 本章小結 69
第4章 基于免疫機理的可重構算法 70
4.1 概述 70
4.2 診斷規則可重構算法設計 70
4.3 研究對象與重構依據 72
4.3.1 研究對象 72
4.3.2 診斷規則重構依據 73
4.4 仿真實驗 74
4.4.1 診斷規則重構算例 75
4.4.2 診斷規則重構計算步驟 76
4.4.3 實驗結果分析 77
4.5 本章小結 78
第5章 基于徑向基函數神經網絡的故障檢測方法 79
5.1 概述 79
5.2 一種改進的RBF神經網絡 80
5.2.1 RBF神經網絡簡介 80
5.2.2 RBF神經網絡的學習過程 81
5.2.3 改進的RBF神經網絡隱含層自適應生成算法 82
5.3 基于改進的RBF神經網絡的推進系統低頻數據故障檢測方法 83
5.3.1 基于RBF神經網絡非線性辨識的故障檢測方法 83
5.3.2 基于RBF神經網絡模式識別的故障檢測方法 84
5.4 YF-75 推進系統的故障檢測仿真實驗 84
5.4.1 問題描述 84
5.4.2 數據準備 85
5.4.3 仿真模型 85
5.4.4 參數選取 87
5.4.5 結果分析 87
5.5 某運載火箭推進系統故障檢測仿真實驗 90
5.5.1 問題描述 90
5.5.2 數據準備 91
5.5.3 仿真模型 91
5.5.4 參數選取 93
5.5.5 結果分析 94
5.6 YF-75 推進系統熱試車故障檢測仿真實驗 105
5.6.1 問題描述 105
5.6.2 數據準備 105
5.6.3 仿真模型 105
5.6.4 參數選取 106
5.6.5 結果分析 106
5.7 故障檢測方法的性能分析 110
5.8 本章小結 113
第6章 基于量子超球神經網絡的故障檢測方法 114
6.1 概述 114
6.2 量子超球神經網絡 116
6.2.1 量子超球神經網絡的建立 116
6.2.2 量子超球神經網絡的學習算法 118
6.3 基于量子超球神經網絡的推進系統振動故障檢測方法 120
6.4 YF-75 推進系統試車振動故障檢測 122
6.4.1 問題描述 122
6.4.2 數據準備 122
6.4.3 結果分析 123
6.5 本章小結 127
第7章 基于模糊超球集神經網絡的故障診斷方法 128
7.1 概述 128
7.2 基于模糊超球集神經網絡的故障診斷方法 129
7.2.1 方法概述 129
7.2.2 基于超球的樣本空間劃分 130
7.2.3 基于超球的模糊規則拓展 131
7.2.4 基于模糊超球集神經網絡的模糊規則集實現 132
7.3 應用模糊超球集神經網絡的若干問題 133
7.3.1 基于拓展規則集的模糊相等 134
7.3.2 基于拓展規則集的模糊匹配 134
7.3.3 去模糊化處理 135
7.3.4 診斷邏輯 136
7.4 基于模糊超球集神經網絡的故障診斷仿真 136
7.4.1 問題描述 136
7.4.2 數據準備 137
7.4.3 參數選取 138
7.4.4 結果分析 139
7.5 本章小結 148
第8章 基于概率超球集神經網絡的故障診斷方法 150
8.1 概述 150
8.2 基于概率超球集神經網絡的故障診斷方法 150
8.2.1 方法概述 150
8.2.2 概率規則的改進 151
8.2.3 基于概率超球集神經網絡的概率規則集實現 152
8.3 與Bayes分類器的等價性分析 153
8.4 應用概率超球集神經網絡的兩個問題 155
8.4.1 概率規則集改進后的相等判別 155
8.4.2 診斷邏輯 155
8.5 基于概率超球神經網絡的故障診斷仿真 156
8.5.1 問題描述 156
8.5.2 數據準備 156
8.5.3 參數選取 157
8.5.4 結果分析 157
8.6 本章小結 167
第9章 基于云神經網絡的故障診斷方法 168
9.1 概述 168
9.2 云模型 168
9.2.1 云的基本概念 168
9.2.2 云的數字特征 169
9.2.3 正態云模型 169
9.2.4 云發生器 170
9.3 一種改進的一維逆向云算法 171
9.4 基于云神經網絡的故障診斷方法 171
9.4.1 云神經網絡的提出 171
9.4.2 云神經網絡故障診斷方法 174
9.4.3 故障檢測算法 174
9.5 基于云神經網絡的故障診斷仿真 175
9.5.1 問題描述 175
9.5.2 數據準備 175
9.5.3 結果分析 177
9.6 本章小結 188
參考文獻 189
第1章 緒論 1
1.1 故障診斷基本原理與方法 1
1.1.1 故障診斷重要意義 1
1.1.2 故障診斷基本原理 2
1.1.3 故障診斷基本方法 2
1.2 智能故障診斷方法發展現狀 3
1.2.1 單一智能故障診斷方法 3
1.2.2 集成智能故障診斷方法 5
1.2.3 智能故障診斷方法當前存在的主要問題 5
1.3 基于免疫機理的故障診斷理論基礎 6
1.3.1 故障診斷的免疫學基礎 6
1.3.2 基于免疫機理的故障診斷基本思想 14
1.3.2 基于免疫機理的故障診斷方法研究現狀 18
1.4 基于神經網絡的故障診斷理論基礎 19
1.4.1 故障診斷的神經生物學基礎 19
1.4.2 基于神經網絡的故障診斷基本思想 25
1.4.3 基于神經網絡的故障診斷方法研究現狀 29
第2章 基于免疫網絡模型的改進的故障診斷算法 31
2.1 概述 31
2.2 基于免疫網絡模型的傳統的故障診斷算法 32
2.3 基于免疫網絡模型的改進的故障診斷算法 34
2.4 仿真實驗 38
2.4.1 實驗過程及結果 38
2.4.2 實驗結果分析 39
2.4.3 實驗結果對比分析 39
2.4.4 關于算法中三個系數值的選擇 42
2.5 本章小結 5
第3 章 與粗糙集理論相結合的免疫網絡故障診斷算法 55
3.1 概述 55
3.2 粗糙集理論 56
3.3 粗糙集理論在免疫網絡算法中的應用分析 58
3.4 基于粗糙集理論的免疫網絡故障診斷算法 59
3.4.1 剪枝門限與漏診和誤診的關系 59
3.4.2 模式空間的鄰域粗糙逼近 60
3.4.3 剪枝門限自適應調整算法 61
3.5 仿真實驗 62
3.5.1 實驗結果分析 62
3.5.2 實驗結果對比分析 63
3.6 本章小結 69
第4章 基于免疫機理的可重構算法 70
4.1 概述 70
4.2 診斷規則可重構算法設計 70
4.3 研究對象與重構依據 72
4.3.1 研究對象 72
4.3.2 診斷規則重構依據 73
4.4 仿真實驗 74
4.4.1 診斷規則重構算例 75
4.4.2 診斷規則重構計算步驟 76
4.4.3 實驗結果分析 77
4.5 本章小結 78
第5章 基于徑向基函數神經網絡的故障檢測方法 79
5.1 概述 79
5.2 一種改進的RBF神經網絡 80
5.2.1 RBF神經網絡簡介 80
5.2.2 RBF神經網絡的學習過程 81
5.2.3 改進的RBF神經網絡隱含層自適應生成算法 82
5.3 基于改進的RBF神經網絡的推進系統低頻數據故障檢測方法 83
5.3.1 基于RBF神經網絡非線性辨識的故障檢測方法 83
5.3.2 基于RBF神經網絡模式識別的故障檢測方法 84
5.4 YF-75 推進系統的故障檢測仿真實驗 84
5.4.1 問題描述 84
5.4.2 數據準備 85
5.4.3 仿真模型 85
5.4.4 參數選取 87
5.4.5 結果分析 87
5.5 某運載火箭推進系統故障檢測仿真實驗 90
5.5.1 問題描述 90
5.5.2 數據準備 91
5.5.3 仿真模型 91
5.5.4 參數選取 93
5.5.5 結果分析 94
5.6 YF-75 推進系統熱試車故障檢測仿真實驗 105
5.6.1 問題描述 105
5.6.2 數據準備 105
5.6.3 仿真模型 105
5.6.4 參數選取 106
5.6.5 結果分析 106
5.7 故障檢測方法的性能分析 110
5.8 本章小結 113
第6章 基于量子超球神經網絡的故障檢測方法 114
6.1 概述 114
6.2 量子超球神經網絡 116
6.2.1 量子超球神經網絡的建立 116
6.2.2 量子超球神經網絡的學習算法 118
6.3 基于量子超球神經網絡的推進系統振動故障檢測方法 120
6.4 YF-75 推進系統試車振動故障檢測 122
6.4.1 問題描述 122
6.4.2 數據準備 122
6.4.3 結果分析 123
6.5 本章小結 127
第7章 基于模糊超球集神經網絡的故障診斷方法 128
7.1 概述 128
7.2 基于模糊超球集神經網絡的故障診斷方法 129
7.2.1 方法概述 129
7.2.2 基于超球的樣本空間劃分 130
7.2.3 基于超球的模糊規則拓展 131
7.2.4 基于模糊超球集神經網絡的模糊規則集實現 132
7.3 應用模糊超球集神經網絡的若干問題 133
7.3.1 基于拓展規則集的模糊相等 134
7.3.2 基于拓展規則集的模糊匹配 134
7.3.3 去模糊化處理 135
7.3.4 診斷邏輯 136
7.4 基于模糊超球集神經網絡的故障診斷仿真 136
7.4.1 問題描述 136
7.4.2 數據準備 137
7.4.3 參數選取 138
7.4.4 結果分析 139
7.5 本章小結 148
第8章 基于概率超球集神經網絡的故障診斷方法 150
8.1 概述 150
8.2 基于概率超球集神經網絡的故障診斷方法 150
8.2.1 方法概述 150
8.2.2 概率規則的改進 151
8.2.3 基于概率超球集神經網絡的概率規則集實現 152
8.3 與Bayes分類器的等價性分析 153
8.4 應用概率超球集神經網絡的兩個問題 155
8.4.1 概率規則集改進后的相等判別 155
8.4.2 診斷邏輯 155
8.5 基于概率超球神經網絡的故障診斷仿真 156
8.5.1 問題描述 156
8.5.2 數據準備 156
8.5.3 參數選取 157
8.5.4 結果分析 157
8.6 本章小結 167
第9章 基于云神經網絡的故障診斷方法 168
9.1 概述 168
9.2 云模型 168
9.2.1 云的基本概念 168
9.2.2 云的數字特征 169
9.2.3 正態云模型 169
9.2.4 云發生器 170
9.3 一種改進的一維逆向云算法 171
9.4 基于云神經網絡的故障診斷方法 171
9.4.1 云神經網絡的提出 171
9.4.2 云神經網絡故障診斷方法 174
9.4.3 故障檢測算法 174
9.5 基于云神經網絡的故障診斷仿真 175
9.5.1 問題描述 175
9.5.2 數據準備 175
9.5.3 結果分析 177
9.6 本章小結 188
參考文獻 189
展開全部
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
名家帶你讀魯迅:故事新編
- >
莉莉和章魚
- >
李白與唐代文化
- >
隨園食單
- >
龍榆生：詞曲概論/大家小書
- >
山海經
- >
羅庸西南聯大授課錄
本類暢銷
