模式識別與狀態(tài)監(jiān)控

第一部分 狀態(tài)監(jiān)控體系概述
第一章　狀態(tài)監(jiān)控的基本內(nèi)涵與體系結(jié)構(gòu)
1.1　狀態(tài)監(jiān)控的基本概念
1.2　狀態(tài)監(jiān)控的起源與發(fā)展概況
1.3　狀態(tài)監(jiān)控任務的要素與組成
1.4　狀態(tài)監(jiān)控系統(tǒng)實施路徑
習題
參考文獻
第二章　狀態(tài)監(jiān)控方法概述
2.1 引言
2.2　經(jīng)典統(tǒng)計模式識別
2.3　模糊識別系統(tǒng)
2.4　決策樹與專家系統(tǒng)
2.5　神經(jīng)網(wǎng)絡識別模型
2.6　支持向量機分類模型
2.7　狀態(tài)監(jiān)控相關(guān)支撐技術(shù)
習題
參考文獻
第三章　狀態(tài)監(jiān)控的評價、術(shù)語與標準
　3.1　狀態(tài)監(jiān)控方法評價
　3.2　相關(guān)的概念與術(shù)語
3.3　狀態(tài)監(jiān)控的標準化問題
　習題
　參考文獻
第四章　模式識別理論的基本概念
　4.1　模式識別的概念
4.2　模式識別系統(tǒng)
　4.3　模式識別方法
4.4　模式識別和人工智能的關(guān)系
4.5　機器學習理論與方法概述
4.6　機械系統(tǒng)狀態(tài)監(jiān)控與識別的特點及要求
習題
參考文獻
第二部分　狀態(tài)感知與特征提取
第五章　設備狀態(tài)現(xiàn)代感知技術(shù)
5.1　設備狀態(tài)的主要信號及其分類
5.2　現(xiàn)代傳感器技術(shù)發(fā)展概述
5.3　微傳感器技術(shù)
5.4　集成化智能傳感器
5.5　智能材料與結(jié)構(gòu)
5.6　無線傳感器網(wǎng)絡技術(shù)
5.7　虛擬儀器技術(shù)
5.8　本章小結(jié)
習題
參考文獻
第六章　狀態(tài)信號描述與處理
6.1　信號時域描述與處理方法
6.2　信號頻域描述與處理方法
6.3　時間一頻率域和時間一尺度域描述與處理方法
6.4　信號高階統(tǒng)計量描述方法
6.5　微弱特征信號提取方法
6.6　信號分解與提取的現(xiàn)代方法
習題
參考文獻
第七章　狀態(tài)模式特征生成、選擇與提取
7.1　特征生成
7.2　特征選擇與特征提取
7.3　特征化問題在機械狀態(tài)監(jiān)控中的應用
7.4　本章小結(jié)
習題
參考文獻
第三部分 故障模式識別與分類決策
第八章 貝葉斯決策理論與技術(shù)
8.1 引言
8.2 貝葉斯分類決策模型
8.3 貝葉斯分類決策的誤差及估計
8.4 貝葉斯分類器的學習訓練
8.5 貝葉斯置信網(wǎng)簡介
8.6 貝葉斯決策應用實例——銑削顫振在線識別
8.7 本章小結(jié)
習題
參考文獻
第九章 線性分類器與非線性分類器
9.1 引言
9.2 線性判別函數(shù)的基本概念
9.3 感知準則函數(shù)
9.4 最小均方誤差準則
9.5 Fisher線性判決
9.6 應用實例——線性分類器在刀具狀態(tài)監(jiān)控中的應用
9.7 非線性分類器概述
9.8 分段線性分類器
9.9 二次型非線性分類器
9.10 基于位勢函數(shù)的非線性分類器
習題
參考文獻
第十章 聚類分析
10.1 引言
10.2 模式相似性測度
10.3 聚類準則
10.4 聚類方法
10.5 快速動態(tài)聚類算法
10.6 聚類分析、貝葉斯分類決策應用實例
10.7 本章小結(jié)
習題
參考文獻
第十一章 基于模糊理論的識別方法
11.1 引言
11.2 模糊集理論簡介
11.3 模糊識別信息的獲取
11.4 模糊綜合評判
11.5 模糊識別算法
11.6 模糊聚類分析
11.7 柔性加工單元故障診斷的模糊綜合決策
11.8 本章小結(jié)
習題
參考文獻
第十二章 神經(jīng)網(wǎng)絡分類器
12.1 神經(jīng)網(wǎng)絡概述
12.2 多層感知器及BP學習算法
12.3 自組織神經(jīng)網(wǎng)絡
12.4 Hopfield神經(jīng)網(wǎng)絡
12.5 自適應共振理論
12.6 應用實例
12.7 本章小結(jié)
習題
參考文獻
第十三章 支持向量機分類器
13.1 引言
13.2 統(tǒng)計學習理論
13.3 支持向量機
13.4 支持向量機的應用
13.5 本章小結(jié)
習題
參考文獻
第十四章 融合識別理論與方法
14.1 融合識別概述
14.2 融合系統(tǒng)的功能結(jié)構(gòu)和融合算法分類
14.3 信息融合的熵理論
14.4 觀測不相關(guān)的分布式最小損失準則下的檢測與決策融合
14.5 觀測相關(guān)的決策融合
14.6 D—S證據(jù)理論融合算法
14.7 融合識別算法在機械動力傳動系統(tǒng)故障診斷中的應用
習題
參考文獻
第十五章 基于粗糙集理論的識別與仿生識別方法
15.1 粗糙集理論及其在模式識別中的應用
15.2 仿生模式識別
習題
參考文獻
第四部分 應用案例與發(fā)展趨勢簡析
第十六章 船舶動力裝置狀態(tài)監(jiān)測與故障診斷系統(tǒng)
16.1 動力裝置的結(jié)構(gòu)與組成
16.2 系統(tǒng)組成及功能概述
16.3 動力裝置運行狀態(tài)特征分析與提取
16.4 貝葉斯決策理論在狀態(tài)分類中的應用
16.5 無完整知識的運行狀態(tài)統(tǒng)計決策規(guī)則
16.6 模糊分析在狀態(tài)分析中的應用
16.7 神經(jīng)網(wǎng)絡模型在故障綜合決策中的應用
參考文獻
第十七章 直升機健康與使用監(jiān)控系統(tǒng)
17.1 概述
17.2 直升機健康與使用監(jiān)控系統(tǒng)的構(gòu)成與功能
17.3 健康與使用監(jiān)控系統(tǒng)涉及的主要技術(shù)
17.4 健康與使用監(jiān)控系統(tǒng)的特點分析
17.5 健康與使用監(jiān)控系統(tǒng)案例
17.6 本章小結(jié)
參考文獻
第十八章 狀態(tài)監(jiān)控的綜合發(fā)展概述
18.1 狀態(tài)監(jiān)控技術(shù)及應用的發(fā)展
18.2 狀態(tài)監(jiān)控與相關(guān)技術(shù)的綜合發(fā)展
18.3 需求牽引推動狀態(tài)監(jiān)控技術(shù)不斷發(fā)展
參考文獻
附錄一 IRIS分類數(shù)據(jù)
附錄二 縮寫詞說明