模式识别与状态监控

第一部分 状态监控体系概述

第一章 状态监控的基本内涵与体系结构

1.1 状态监控的基本概念

1.2 状态监控的起源与发展概况

1.3 状态监控任务的要素与组成

1.4 状态监控系统实施路径

习题

参考文献

第二章 状态监控方法概述

2.1 引言

2.2 经典统计模式识别

2.3 模糊识别系统

2.4 决策树与专家系统

2.5 神经网络识别模型

2.6 支持向量机分类模型

2.7 状态监控相关支撑技术

习题

参考文献

第三章 状态监控的评价、术语与标准

3.1 状态监控方法评价

3.2 相关的概念与术语

3.3 状态监控的标准化问题

习题

参考文献

第四章 模式识别理论的基本概念

4.1 模式识别的概念

4.2 模式识别系统

4.3 模式识别方法

4.4 模式识别和人工智能的关系

4.5 机器学习理论与方法概述

4.6 机械系统状态监控与识别的特点及要求

习题

参考文献

第二部分 状态感知与特征提取

第五章 设备状态现代感知技术

5.1 设备状态的主要信号及其分类

5.2 现代传感器技术发展概述

5.3 微传感器技术

5.4 集成化智能传感器

5.5 智能材料与结构

5.6 无线传感器网络技术

5.7 虚拟仪器技术

5.8 本章小结

习题

参考文献

第六章 状态信号描述与处理

6.1 信号时域描述与处理方法

6.2 信号频域描述与处理方法

6.3 时间一频率域和时间一尺度域描述与处理方法

6.4 信号高阶统计量描述方法

6.5 微弱特征信号提取方法

6.6 信号分解与提取的现代方法

习题

参考文献

第七章 状态模式特征生成、选择与提取

7.1 特征生成

7.2 特征选择与特征提取

7.3 特征化问题在机械状态监控中的应用

7.4 本章小结

习题

参考文献

第三部分 故障模式识别与分类决策

第八章 贝叶斯决策理论与技术

8.1 引言

8.2 贝叶斯分类决策模型

8.3 贝叶斯分类决策的误差及估计

8.4 贝叶斯分类器的学习训练

8.5 贝叶斯置信网简介

8.6 贝叶斯决策应用实例"para" label-module="para">

8.7 本章小结

习题

参考文献

第九章 线性分类器与非线性分类器

9.1 引言

9.2 线性判别函数的基本概念

9.3 感知准则函数

9.4 最小均方误差准则

9.5 Fisher线性判决

9.6 应用实例 线性分类器在刀具状态监控中的应用

9.7 非线性分类器概述

9.8 分段线性分类器

9.9 二次型非线性分类器

9.10 基于位势函数的非线性分类器

习题

参考文献

第十章 聚类分析

10.1 引言

10.2 模式相似性测度

10.3 聚类准则

10.4 聚类方法

10.5 快速动态聚类算法

10.6 聚类分析、贝叶斯分类决策应用实例

10.7 本章小结

习题

参考文献

第十一章 基于模糊理论的识别方法

11.1 引言

11.2 模糊集理论简介

11.3 模糊识别信息的获取

11.4 模糊综合评判

11.5 模糊识别算法

11.6 模糊聚类分析

11.7 柔性加工单元故障诊断的模糊综合决策

11.8 本章小结

习题

参考文献

第十二章 神经网络分类器

12.1 神经网络概述

12.2 多层感知器及BP学习算法

12.3 自组织神经网络

12.4 Hopfield神经网络

12.5 自适应共振理论

12.6 应用实例

12.7 本章小结

习题

参考文献

第十三章 支持向量机分类器

13.1 引言

13.2 统计学习理论

13.3 支持向量机

13.4 支持向量机的应用

13.5 本章小结

习题

参考文献

第十四章 融合识别理论与方法

14.1 融合识别概述

14.2 融合系统的功能结构和融合算法分类

14.3 信息融合的熵理论

14.4 观测不相关的分布式最小损失准则下的检测与决策融合

14.5 观测相关的决策融合

14.6 DS证据理论融合算法

14.7 融合识别算法在机械动力传动系统故障诊断中的应用

习题

参考文献

第十五章 基于粗糙集理论的识别与仿生识别方法

15.1 粗糙集理论及其在模式识别中的应用

15.2 仿生模式识别

习题

参考文献

第四部分 应用案例与发展趋势简析

第十六章 船舶动力装置状态监测与故障诊断系统

16.1 动力装置的结构与组成

16.2 系统组成及功能概述

16.3 动力装置运行状态特征分析与提取

16.4 贝叶斯决策理论在状态分类中的应用

16.5 无完整知识的运行状态统计决策规则

16.6 模糊分析在状态分析中的应用

16.7 神经网络模型在故障综合决策中的应用

参考文献

第十七章 直升机健康与使用监控系统

17.1 概述

17.2 直升机健康与使用监控系统的构成与功能

17.3 健康与使用监控系统涉及的主要技术

17.4 健康与使用监控系统的特点分析

17.5 健康与使用监控系统案例

17.6 本章小结

参考文献

第十八章 状态监控的综合发展概述

18.1 状态监控技术及应用的发展

18.2 状态监控与相关技术的综合发展

18.3 需求牵引推动状态监控技术不断发展

参考文献

附录一 IRIS分类数据

附录二 缩写词说明2100433B

状态监控是提高设备(过程)运行的可靠性、安全性、产品质量，减少生产与使用中的维护费用的重要技术手段。状态监控为提高系统的可靠性和可维修性开辟了一条崭新的途径，而模式识别技术是状态监控(故障检测)的重要理论基础之一。本书在讨论状态监控基本内涵与体系结构、状态监控方法、模式识别理论等基本概念的基础上，简要回顾了设备状态感知技术、状态信号描述与处理技术；重点论述了状态模式特征表达、提取与选择、模式识别与分类的若干模型与方法；结合各章的理论与技术，给出了多个状态监控的应用案例，并简要分析了状态监控技术与系统的发展趋势。

本书可作为机械电子工程专业研究生教材，也可供高等院校相关专业高年级本科生和教师参考。

• 办刊宗旨

模式识别、人工智能学科是信息科学与技术的重要组成部分，《模式识别与人工智能》发表与此有关的最新研究成果与进展，旨在推动信息科学技术的发展 。

模式识别是人工智能领域的基础，随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛。模式识别也取的了很多让人瞩目的成就，有很多不可忽视的进展。数字图像处理又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。图像是人类获取和交换信息的主要来源，图像处理的应用领域必然涉及到人类生活和工作的方方面面。随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。基于模式识别的图像处理随着当今计算机和人工智能技术的发展，已经成为了图像识别领域的踪影研究方向 。2100433B

一个模式识别系统一般工作在两个方面：训练和分类；统计模式识别的理论依据就是贝叶斯理论，当然也可采用修正的bayes理论（风险估计） ；当然bayes理论要求类的分布情况，在已知分布情况下就可直接使用，但一般这种可能性较小，对于只是知道分布函数，但不知道参数的情况，就是估计参数的过程，而在更一般情况下，对应分布是一点信息没有，这样可采用Parzen窗核函数估计其分布或直接基于训练数据建立决策边界。实际上多层感知器就是一个非参数的过程。

统计模式的一种分类方法分为指导性训练和非指导性训练；非指导性训练一般对于数据的已知信息很少，如远程的空间遥感应用，这里一般采用聚类的方法。另一种分类方法是基于决策边界是直接获得还是间接获得，前者一般是在几何空间就可完成。无论采用那种方法，训练集非常关键，主要训练的数据量要足够大而且要足够典型，这样才能保证算法的可靠性，训练集的应用上注意以下几点：训练样本的个数应该在10倍于特性数据维数；相对于训练样本，分类器的未知参数不能过多；分类器不能出现过度训练的问题。

统计模式识别方法就是用给定的有限数量样本集，在已知研究对象统计模型或已知判别函数类条件下根据一定的准则通过学习算法把d维特征空间划分为c个区域,每一个区域与每一类别相对应。模式识别系统在进行工作时只要判断被识别的对象落入哪一个区域，就能确定出它所属的类别。由噪声和传感器所引起的变异性，可通过预处理而部分消除；而模式本身固有的变异性则可通过特征抽取和特征选择得到控制，尽可能地使模式在该特征空间中的分布满足上述理想条件。因此一个统计模式识别系统应包含预处理、特征抽取、分类器等部分。