《機械故障信號的數學形態(tài)學分析與智能分類》以數學形態(tài)學理論為主要分析手段，以機械故障信號為主要研究對象，深入研究了數學形態(tài)學在機械故障信號處理、特征提取與智能分類中的應用途徑�！稒C械故障信號的數學形態(tài)學分析及智能分類》將數學形態(tài)學理論與小波分析、時頻分析、非負矩陣分解、分形幾何以及神經網絡等理論相結合，建立了以數學形態(tài)學為基本理論框架的機械故障信號分析與智能分類體系，并在此基礎上進行機械故障特征選擇和增量學習方法的研究，為機械設備在線狀態(tài)監(jiān)測和故障診斷提供了一條嶄新的、有效的技術途徑。
《機械故障信號的數學形態(tài)學分析與智能分類》可作為高等院校信號處理、機械工程等專業(yè)研究生教材，也可供相關領域工程技術人員和研究人員參考�！稒C械故障信號的數學形態(tài)學分析及智能分類》由李兵、張培林、米雙山等著。
第1章 概論
1.1 機械故障診斷的概念
1.2 機械故障信號處理與特征提取方法
1.2.1 以傅里葉變換為基礎的傳統信號處理方法
1.2.2 時頻分析技術
1.2.3 分形幾何方法
1.3 機械故障診斷的模式識別方法
1.3.1 專家系統
1.3.2 模糊推理
1.3.3 人工神經網絡
1.3.4 支持向量機
1.4 機械故障診斷的特征參數選擇
第2章 數學形態(tài)學理論概述
2.1 數學形態(tài)學研究現狀
2.2 數學形態(tài)學基本原理
2.2.1 二值形態(tài)學
2.2.2 灰值形態(tài)學
2.3 基于完備格的數學形態(tài)學理論
2.3.1 完備格理論
2.3.2 完備格上的數學形態(tài)學理論
2.4 數學形態(tài)學在機械故障信號處理中的應用
第3章 機械故障信號的自適應多尺度形態(tài)梯度分析
3.1 引言
3.2 數學形態(tài)學濾波器
3.2.1 基本形態(tài)濾波器
3.2.2 形態(tài)梯度濾波器
3.2.3 仿真信號分析
3.3 自適應多尺度形態(tài)梯度
3.3.1 多尺度形態(tài)濾波器
3.3.2 自適應多尺度形態(tài)梯度（AMMG）
3.4 AMMG在機械故障信號處理中的應用
3.4.1 齒輪箱故障信號分析
3.4.2 發(fā)動機故障信號分析
第4章 機械故障信號的自適應形態(tài)梯度提升小波分析
4.1 引言
4.2 形態(tài)小波分析
4.2.1 廣義小波分解方案
4.2.2 形態(tài)提升小波
4.3 自適應形態(tài)梯度提升小波
4.3.1 自適應提升小波
4.3.2 自適應形態(tài)梯度提升小波
4.3.3 仿真信號分析
4.4 AMGLW在機械故障信號分析中的應用
4.4.1 齒輪箱故障信號分析
4.4.2 發(fā)動機故障信號分析
第5章 機械故障信號的非負矩陣分解特征提取方法
5.1 引言
5.2 非負矩陣分解（NMF）
5.2.1 非負矩陣分解算法的引出
5.2.2 非負矩陣分解主要思想
5.2.3 非負矩陣分解的算法實現
5.2.4 非負矩陣分解的初始化和秩的選擇
5.2.5 改進非負矩陣分解（INMF）
5.3 改進非負矩陣分解在齒輪箱故障特征提取中的應用
5.3.1 基于AMCLW與INMF的齒輪箱故障信號特征提取
5.3.2 分類效果
5.4 改進非負矩陣分解在發(fā)動機故障特征提取中的應用
5.4.1 基于AMGLW與INMF的發(fā)動機故障信號特征提取
5.4.2 分類效果
第6章 機械故障信號時頻分布的數學形態(tài)譜特征
6.1 引言
6.2 廣義S變換
6.2.1 S變換的基本概念
6.2.2 廣義S變換
6.2.3 仿真信號分析
6.3 機械故障信號的廣義s變換
6.3.1 齒輪箱故障信號的廣義s變換
6.3.2 發(fā)動機故障信號的廣義s變換
6.4 數學形態(tài)譜
6.4.1 形態(tài)學顆粒分析
6.4.2 數學形態(tài)譜定義
6.4.3 齒輪箱故障信號時頻分布的數學形態(tài)譜
6.5 廣義空間數學形態(tài)譜
6.5.1 廣義空間數學形態(tài)譜
6.5.2 發(fā)動機故障信號時頻分布的廣義空間數學形態(tài)譜
第7章 機械故障信號的數學形態(tài)學分形特征
7.1 引言
7.2 分形的基本概念
7.3 形態(tài)學分形維數
7.3.1 Minkowski-Bouligand維數
7.3.2 基于數學形態(tài)學的分形維數估計方法
7.3.3 仿真信號分析
7.4 機械故障信號的形態(tài)學分形維數
7.4.1 齒輪箱故障信號的形態(tài)學分形維數
7.4.2 發(fā)動機故障信號的形態(tài)學分形維數
7.5 形態(tài)學廣義分形維數
7.5.1 多重分形譜和廣義分形維數
7.5.2 廣義分形維數的盒計數計算方法
7.5.3 形態(tài)學廣義分形維數
7.5.4 仿真信號分析
7.6 機械故障信號的形態(tài)學廣義分形維數
7.6.1 齒輪箱故障信號的形態(tài)學廣義分形維數
7.6.2 發(fā)動機故障信號的形態(tài)學廣義分形維數
第8章 機械故障信號的形態(tài)學神經網絡分類方法研究
8.1 引言
8.2 形態(tài)學神經網絡的理論基礎
8.2.1 完備格框架下的數學形態(tài)學算子
8.2.2 形態(tài)學神經網絡的格代數系統
8.3 構造性形態(tài)學神經網絡（CMNN）
8.3.1 構造性形態(tài)學神經網絡的基本框架
8.3.2 構造性形態(tài)學神經網絡訓練算法
8.3.3 多類分類構造性形態(tài)學神經網絡
8.4 模糊格形態(tài)學神經網絡（FL-CMNN）
8.4.1 模糊格理論
8.4.2 區(qū)間上的模糊格理論
8.4.3 模糊格形態(tài)學神經網絡
8.4.4 仿真數據測試
8.5 基于FL-CMNN的機械故障信號分類
8.5.1 齒輪箱故障信號分類
8.5.2 發(fā)動機故障信號分類
第9章 面向機械設備在線狀態(tài)監(jiān)測的形態(tài)學神經網絡優(yōu)化策略
9.1 引言
9.2 組合式特征選擇算法
9.2.1 特征選擇概述
9.2.2 基于互信息的最大相關最小冗余準則（mRMR）
9.2.3 帶精英策略的非支配排序遺傳算法（NSCA-Ⅱ）
9.3 組合式特征選擇在機械故障信號分類中的應用
9.3.1 組合式特征選擇在齒輪箱故障信號分類診斷中的應用
9.3.2 組合式特征選擇在發(fā)動機故障信號分類的應用
9.4 基于構造性形態(tài)學神經網絡的增量學習算法
9.4.1 增量學習簡介
9.4.2 針對構造性形態(tài)學神經網絡的增量學習算法
9.4.3 增量學習算法在機械故障信號分類中的應用
參考文獻
書單推薦
