| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-21页 |
| ·航空PHM 概述 | 第11-18页 |
| ·航空PHM 的产生 | 第11-12页 |
| ·航空PHM 的关键技术 | 第12-14页 |
| ·航空PHM 预测技术的分类 | 第14-16页 |
| ·航空PHM 预测的主要内容及研究现状 | 第16-18页 |
| ·选题意义 | 第18-19页 |
| ·本文结构 | 第19-21页 |
| 第二章 预测技术介绍 | 第21-31页 |
| ·数据挖掘概述 | 第21-25页 |
| ·数据挖掘的产生背景 | 第21页 |
| ·数据挖掘的任务模型 | 第21-24页 |
| ·数据挖掘的一般过程 | 第24-25页 |
| ·航空PHM 中的预测技术 | 第25-30页 |
| ·回归模型预测法 | 第25-27页 |
| ·时间序列预测法 | 第27-28页 |
| ·信息预测 | 第28-29页 |
| ·神经网络与支持向量机预测 | 第29-30页 |
| ·小结 | 第30-31页 |
| 第三章 基于灰色模型与神经网络的故障率预测 | 第31-48页 |
| ·故障率研究现状 | 第31-38页 |
| ·故障率定义 | 第31页 |
| ·研究现状 | 第31-32页 |
| ·单一模型 | 第32-38页 |
| ·基于灰色模型与神经网络的组合模型研究 | 第38-42页 |
| ·可行性分析 | 第39页 |
| ·NNAG 模型 | 第39-41页 |
| ·NNCG 模型 | 第41-42页 |
| ·实验与分析 | 第42-47页 |
| ·试验数据 | 第42-43页 |
| ·预测效果评价标准 | 第43-44页 |
| ·预测步骤及结果 | 第44-47页 |
| ·结果分析 | 第47页 |
| ·小结 | 第47-48页 |
| 第四章 基于蚁群算法参数优化的支持向量机磨损趋势预测 | 第48-67页 |
| ·磨损趋势研究现状 | 第48-50页 |
| ·问题定义 | 第48-49页 |
| ·研究现状 | 第49-50页 |
| ·统计理论与支持向量机 | 第50-53页 |
| ·统计学习理论 | 第50-51页 |
| ·SVM 原理及算法 | 第51-53页 |
| ·基于支持向量机的磨损趋势预测 | 第53-60页 |
| ·时间序列建模的一般框架 | 第54-55页 |
| ·基于SVM 的磨损趋势预测模型 | 第55-56页 |
| ·参数对支持向量机的影响 | 第56-57页 |
| ·实验及结果分析 | 第57-60页 |
| ·基于蚁群算法的支持向量机参数选择算法 | 第60-66页 |
| ·蚁群算法基本原理 | 第61-62页 |
| ·基于蚁群算法的支持向量机参数选择算法 | 第62-64页 |
| ·实验及结果分析 | 第64-66页 |
| ·小结 | 第66-67页 |
| 第五章 结束语 | 第67-70页 |
| ·本文总结 | 第67-68页 |
| ·研究展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 在学期间的研究成果及发表的学术论文 | 第75页 |