| 摘要 | 第1-13页 |
| ABSTRACT | 第13-15页 |
| 部分缩写词和符号 | 第15-16页 |
| 第一章 绪论 | 第16-30页 |
| ·研究背景与意义 | 第16-17页 |
| ·机械动力传动系统故障诊断与状态预测技术评述 | 第17-24页 |
| ·故障诊断技术研究的主要内容 | 第18-20页 |
| ·故障诊断关键技术分析 | 第20-23页 |
| ·故障诊断技术研究发展趋势 | 第23-24页 |
| ·机械动力传动系统故障识别与状态预测技术需求分析 | 第24-25页 |
| ·基于支持向量机及核方法的机械故障诊断技术 | 第25-27页 |
| ·论文整体思路和主要研究工作 | 第27-28页 |
| ·论文结构及各章节安排 | 第28-30页 |
| 第二章 核方法与统计学习理论 | 第30-46页 |
| ·引言 | 第30-31页 |
| ·核方法概述 | 第31-37页 |
| ·由核所定义的非线性特征映射 | 第31-34页 |
| ·希尔伯特空间 | 第34-35页 |
| ·Gram矩阵 | 第35页 |
| ·核方法特点分析及常用核函数 | 第35-37页 |
| ·统计学习理论与支持向量机 | 第37-45页 |
| ·机器学习的基本问题 | 第37-38页 |
| ·统计学习理论的核心内容 | 第38-40页 |
| ·结构风险最小化 | 第40-41页 |
| ·支持向量机 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 第三章 核基故障特征提取技术 | 第46-80页 |
| ·引言 | 第46-47页 |
| ·基于核主成分分析的故障特征提取技术 | 第47-57页 |
| ·主成分分析的算法描述与分析 | 第47-49页 |
| ·核主成分分析算法 | 第49-52页 |
| ·基于KPCA动力装置铁谱磨粒特征提取技术 | 第52-57页 |
| ·基于核独立分量分析故障特征预处理技术 | 第57-68页 |
| ·问题的提出 | 第57-58页 |
| ·ICA原理 | 第58-59页 |
| ·KICA算法 | 第59-60页 |
| ·KICA算法有效性仿真分析 | 第60-62页 |
| ·基于KICA直升机减速器故障特征预处理技术 | 第62-65页 |
| ·小结 | 第65-68页 |
| ·基于核Fisher判别分析的特征提取方法 | 第68-79页 |
| ·LFDA简述 | 第69页 |
| ·基于多类特征提取的KFDA算法研究 | 第69-72页 |
| ·基于多类特征提取的KFDA算法仿真分析 | 第72-78页 |
| ·基于核Fisher判别分析的直升机传动系统故障特征提取 | 第78-79页 |
| ·本章小结 | 第79-80页 |
| 第四章 核基故障分类与决策技术 | 第80-95页 |
| ·引言 | 第80-81页 |
| ·基于支持向量机的故障分类方法 | 第81-91页 |
| ·基本算法 | 第81页 |
| ·多类问题解决方案 | 第81-83页 |
| ·SVM多类分类器算法的改进方案 | 第83-85页 |
| ·基于模糊隶属度的SVM等风险故障分类决策模型研究 | 第85-89页 |
| ·基于核特征提取与支持向量机多故障层次分类检测模型 | 第89-91页 |
| ·核基多故障层次分类检测模型实验研究 | 第91-93页 |
| ·实验系统与故障模式 | 第91页 |
| ·特征提取与SVM模型及参数选择 | 第91页 |
| ·核基特征提取与SVM多故障层次分类检测模型的训练与分类 | 第91-93页 |
| ·本章小结 | 第93-95页 |
| 第五章 基于支持向量数据描述的故障检测技术 | 第95-109页 |
| ·引言 | 第95-96页 |
| ·基于SVDD故障检测方法及其性能特点 | 第96-103页 |
| ·SVDD算法描述 | 第96-98页 |
| ·故障检测模型性能及决策边界控制 | 第98-101页 |
| ·基于SVDD故障检测模型决策边界的调整 | 第101-103页 |
| ·基于SVDD直升机传动系统故障检测技术应用研究 | 第103-108页 |
| ·数据源及其数据预处理方法 | 第103页 |
| ·基于SVDD轴承故障检测研究与分析 | 第103-107页 |
| ·用于轴承故障检测的SVDD模型与神经网络模型性能比较 | 第107-108页 |
| ·本章小结 | 第108-109页 |
| 第六章 动力装置运行状态核基预测技术 | 第109-126页 |
| ·引言 | 第109-110页 |
| ·动力装置运行状态可预测性及其故障变化特点分析 | 第110-111页 |
| ·基于支持向量回归的非线性预测方法 | 第111-114页 |
| ·支持向量回归算法 | 第111-113页 |
| ·基于SVR的函数回归仿真分析 | 第113-114页 |
| ·基于相空间重构与支持向量回归的动力装置状态预测模型 | 第114-123页 |
| ·非线性时间序列的相空间重构 | 第114-115页 |
| ·预测建模方法 | 第115-117页 |
| ·模型仿真验证与分析 | 第117-120页 |
| ·模型在舰船动力装置运行状态预测中的应用研究与讨论 | 第120-123页 |
| ·基于SVR状态预测方法应用中相关问题讨论 | 第123-125页 |
| ·在线自适应动态预测方法 | 第123-124页 |
| ·支持向量回归机中的间隔(Margin)的讨论 | 第124-125页 |
| ·本章小结 | 第125-126页 |
| 第七章 研究结论与展望 | 第126-129页 |
| ·研究结论 | 第126-127页 |
| ·研究展望 | 第127-129页 |
| 致谢 | 第129-130页 |
| 参考文献 | 第130-140页 |
| 作者在学期间取得的相关学术成果 | 第140-141页 |
| 作者在学期间取得的相关科研成果 | 第141页 |
