| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 粗糙集理论的发展和现状 | 第11-12页 |
| 1.4 支持向量机理论的发展和现状 | 第12-13页 |
| 1.5 本文主要工作 | 第13-15页 |
| 第2章 凝汽器常见故障分析及故障诊断模型 | 第15-24页 |
| 2.1 凝汽器概述 | 第15-16页 |
| 2.2 凝汽器真空度应达值计算模型 | 第16-19页 |
| 2.2.1 凝汽器冷却水温升应达值 | 第17-18页 |
| 2.2.2 凝汽器端差应达值 | 第18-19页 |
| 2.2.3 凝汽器真空应达值 | 第19页 |
| 2.3 凝汽器真空影响因素分析 | 第19-21页 |
| 2.3.1 凝汽器真空骤降原因分析 | 第19页 |
| 2.3.2 凝汽器真空缓慢下降分析 | 第19-21页 |
| 2.4 凝汽器故障诊断模型 | 第21-23页 |
| 2.4.1 数据分析 | 第21-22页 |
| 2.4.2 模型搭建 | 第22页 |
| 2.4.3 诊断效果 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 支持向量机 | 第24-40页 |
| 3.1 统计学习理论 | 第24-26页 |
| 3.1.1 经验风险最小化 | 第24-25页 |
| 3.1.2 结构风险最小化 | 第25-26页 |
| 3.2 支持向量机两分类问题 | 第26-30页 |
| 3.2.1 线性可分支持向量机 | 第26-28页 |
| 3.2.2 广义线性支持向量机 | 第28页 |
| 3.2.3 非线性支持向量机 | 第28-30页 |
| 3.3 最小二乘支持向量机 | 第30-31页 |
| 3.4 遗传算法优化理论 | 第31-33页 |
| 3.5 最小二乘支持向量机诊断模型设计 | 第33-39页 |
| 3.5.1 样本采集及其预处理 | 第33页 |
| 3.5.2 核函数的选取 | 第33-34页 |
| 3.5.3 模型相关参数的选取 | 第34页 |
| 3.5.4 最小二乘支持向量机实例分析 | 第34-36页 |
| 3.5.5 LSSVM分类模型的遗传算法优化 | 第36-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 粗糙集理论与数据约简 | 第40-47页 |
| 4.1 粗糙集基本理论 | 第40-43页 |
| 4.1.1 不可分辨关系及粗糙近似 | 第40-42页 |
| 4.1.2 属性约简与核 | 第42页 |
| 4.1.3 可辨识矩阵 | 第42-43页 |
| 4.2 基于可辨识矩阵的约简算法 | 第43-44页 |
| 4.3 实例验证 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于粗糙集和集成SVM的凝汽器故障诊断 | 第47-57页 |
| 5.1 集成学习 | 第47-51页 |
| 5.1.1 集成学习概述 | 第47-48页 |
| 5.1.2 经典的集成学习算法 | 第48-50页 |
| 5.1.3 bagging与boosting算法比较 | 第50-51页 |
| 5.2 基于粗糙集和集成SVM的凝汽器故障诊断方法 | 第51-56页 |
| 5.2.1 基于粗糙集和集成SVM的故障诊断方法 | 第51页 |
| 5.2.2 凝汽器故障诊断实例验证 | 第51-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第6章 总结 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-62页 |
| 致谢 | 第62页 |