支持向量机在电缆故障分类中的应用
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-12页 |
| ·选题背景及研究意义 | 第7-8页 |
| ·支持向量机研究现状 | 第8-10页 |
| ·支持向量机理论研究 | 第8-9页 |
| ·支持向量机训练算法 | 第9-10页 |
| ·支持向量机的应用 | 第10页 |
| ·本文的主要内容及结构安排 | 第10-12页 |
| 2 统计学习理论概述 | 第12-19页 |
| ·机器学习 | 第12-13页 |
| ·机器学习问题描述 | 第12-13页 |
| ·经验风险最小化 | 第13页 |
| ·统计学习理论 | 第13-17页 |
| ·学习过程的一致性 | 第14页 |
| ·VC 维 | 第14-16页 |
| ·推广性的界 | 第16页 |
| ·结构风险最小化 | 第16-17页 |
| ·本章小结 | 第17-19页 |
| 3 支持向量机 | 第19-31页 |
| ·支持向量机分类原理 | 第19-22页 |
| ·最优分类超平面 | 第19-21页 |
| ·最优化理论 | 第21-22页 |
| ·支持向量机基本方法 | 第22-25页 |
| ·线性支持向量机 | 第22-24页 |
| ·非线性支持向量机 | 第24-25页 |
| ·核函数 | 第25-28页 |
| ·核函数理论及基本性质 | 第25-26页 |
| ·常用的典型核函数 | 第26-28页 |
| ·支持向量机的特点及研究热点 | 第28-30页 |
| ·支持向量机的特点 | 第28-29页 |
| ·支持向量机的研究热点 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 4 支持向量机多分类 | 第31-45页 |
| ·多类分类问题的数学表述 | 第31页 |
| ·常见的支持向量机多分类方法 | 第31-39页 |
| ·一次性求解方法 | 第32页 |
| ·一对多算法（1-a-r） | 第32-33页 |
| ·一对一算法（1-a-1） | 第33-35页 |
| ·有向无环图SVM 算法（DAG-SVM） | 第35-36页 |
| ·纠错输出编码SVM 算法（ECC-SVM） | 第36-37页 |
| ·二叉树SVM 算法 | 第37-39页 |
| ·基于类间相异度矩阵的支持向量机多分类算法 | 第39-44页 |
| ·问题描述及类间相异度矩阵的构成 | 第39-40页 |
| ·算法流程及具体实现 | 第40-42页 |
| ·几种支持向量机多分类算法实验结果分析 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 5 支持向量机在电力电缆故障诊断中的应用 | 第45-60页 |
| ·电力电缆故障诊断技术概述 | 第45-49页 |
| ·电力电缆故障诊断的意义及现状 | 第45-46页 |
| ·电力电缆故障产生原因 | 第46-47页 |
| ·电力电缆故障的分类 | 第47-48页 |
| ·电力电缆故障的诊断过程及方法 | 第48-49页 |
| ·电力电缆故障诊断系统故障识别分析 | 第49-56页 |
| ·故障特征选择 | 第49-51页 |
| ·故障特征提取 | 第51-54页 |
| ·支持向量机识别模型的建立 | 第54-56页 |
| ·实验结果及分析 | 第56-58页 |
| ·本章小结 | 第58-60页 |
| 6 结论 | 第60-62页 |
| ·结论 | 第60页 |
| ·展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66页 |
