机械故障信号的量子计算分析及智能诊断 本书特色

《机械故障信号的量子计算分析及智能诊断》以量子计算为主要分析手段，以齿轮和轴向柱塞泵的振动信号为主要研究对象，研究了量子计算在机械设备故障信号特征提取、故障诊断与特征选择中的应用方法，提出了量子门神经网络、量子限制波尔兹曼机网络、量子门遗传算法和量子偏*小二乘法等算法，建立了一套以量子计算为基础的特征提取、模式识别和特征选择的理论体系，提高了机械设备故障信号智能诊断的效率和精度。 　　本书适合从事量子计算及其算法、机械设备故障诊断研究的科研人员使用，也可供相关专业研究生参考。

机械故障信号的量子计算分析及智能诊断 目录

第1章  概论
  1.1 机械故障信号处理和智能诊断技术
  1.2 机械故障信号的特征提取方法研究现状
    1.2.1 傅里叶变换
    1.2.2 小波变换
    1.2.3 希尔伯特-黄变换
    1.2.4 ar模型
  1.3 机械故障信号特征选择方法研究现状
    1.3.1 遗传算法
    1.3.2 遗传偏*小二乘法
  1.4 机械故障信号智能诊断的研究现状
    1.4.1 专家系统
    1.4.2 神经网络
    1.4.3 支持向量机
    1.4.4 限制波尔兹曼机网络
第2章  量子计算基础
  2.1 引言
  2.2 量子力学概念
    2.2.1 量子态及其特性
    2.2.2 希尔伯特空间及其运算
    2.2.3 幺正变换
  2.3 量子比特表示
    2.3.1 二维直角坐标
    2.3.2 三维bloch球面坐标
  2.4 量子寄存器
  2.5 量子门
    2.5.1 单量子比特门
    2.5.2 双量子比特门
    2.5.3 通用量子门
  2.6 量子线路
  2.7 量子计算的研究现状
    2.7.1 量子计算研究概况
    2.7.2 量子计算在振动信号处理和智能诊断中的应用现状
第3章  机械故障信号的量子傅里叶变换特征提取方法
  3.1 引言
  3.2 机械故障设备常见故障
    3.2.1 齿轮常见故障
    3.2.2 液压系统常见故障
  3.3 机械故障信号的采集系统
    3.3.1 齿轮振动试验台架
    3.3.2 液压系统综合检测试验设备
  3.4 量子傅里叶变换
    3.4.1 基本原理
    3.4.2 算法实现步骤
    3.4.3 仿真信号分析
  3.5 量子傅里叶变换在机械故障信号特征提取中的应用
    3.5.1 齿轮故障信号分析
    3.5.2 轴向柱塞泵故障信号分析
  3.6 本章小结
第4章  基于希尔伯特-黄和ar模型的特征提取方法
  4.1 渐近式权值小波变换的降噪方法
    4.1.1 小波变换用于信号降噪的原理
    4.1.2 渐近式权值小波降噪方法
    4.1.3 仿真实验分析
    4.1.4 基于渐近式权值小波的轴向柱塞泵振动信号降噪
  4.2 基于希尔伯特-黄变换和ar模型的特征提取模型
    4.2.1 希尔伯特-黄变换
    4.2.2 ar模型
    4.2.3 基于希尔伯特-黄变换和ar模型的特征提取模型
    4.2.4 实例分析
  4.3 本章小结
第5章  机械故障信号的量子神经网络分类方法研究
  5.1 引言
  5.2 量子bp神经网络
    5.2.1 神经元模型
    5.2.2 学习算法
  5.3 量子bp神经网络的机械故障信号分类
    5.3.1 齿轮故障信号分类
    5.3.2 轴向柱塞泵故障信号分类
  5.4 通用量子门的量子神经网络
    5.4.1 神经元模型
    5.4.2 算法描述
    5.4.3 泛化性能分析
    5.4.4 仿真结果对比
  5.5 通用量子门量子神经网络的机械故障信号分类
    5.5.1 齿轮故障信号分类
    5.5.2 轴向柱塞泵故障信号分类
  5.6 本章小结
第6章  机械故障信号的量子限制波尔兹曼机网络分类方法研究
  6.1 引言
  6.2 基于量子计算的限制波尔兹曼机网络（qrbm）
    6.2.1 限制波尔兹曼机网络
    6.2.2 qrbm神经元模型
    6.2.3 qrbm的算法实现
    6.2.4 网络参数的优化和更新

 1/2    1 2 下一页 尾页

工业技术 机械仪表工业 机械运行与维修

在线阅读