| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文研究内容 | 第11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 2 支持向量机的理论基础 | 第12-32页 |
| 2.1 统计学习理论 | 第12-17页 |
| 2.1.1 VC 维 | 第12-14页 |
| 2.1.2 推广性的界 | 第14-15页 |
| 2.1.3 结构风险最小化原则 | 第15-17页 |
| 2.2 支持向量机基本理论 | 第17-21页 |
| 2.2.1 支持向量线性分类 | 第17-20页 |
| 2.2.2 支持向量机的多类分类 | 第20-21页 |
| 2.2.3 核函数 | 第21页 |
| 2.3 相关支持向量机参数优化算法概述 | 第21-31页 |
| 2.3.1 遗传算法算法概述 | 第21-26页 |
| 2.3.2 遗传算法优化支持向量机参数的流程 | 第26-27页 |
| 2.3.3 粒子群优化算法概述 | 第27-30页 |
| 2.3.4 粒子群算法优化支持向量机参数的流程 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 支持向量机参数优化实验 | 第32-47页 |
| 3.1 支持向量机模型选择的意义及方法 | 第32-35页 |
| 3.1.1 模型选择的意义 | 第32页 |
| 3.1.2 模型选择方法简介 | 第32-33页 |
| 3.1.3 核函数及其参数选择 | 第33-35页 |
| 3.1.4 误差惩罚参数 C | 第35页 |
| 3.2 GA 优化支持向量机参数 | 第35-40页 |
| 3.2.1 GA 优化支持向量机原理 | 第35-37页 |
| 3.2.2 GA 优化支持向量机参数实验与分析 | 第37-40页 |
| 3.3 PSO 优化支持向量机 | 第40-44页 |
| 3.3.1 PSO 优化支持向量机原理 | 第40-42页 |
| 3.3.2 PSO 优化支持向量机参数实验与分析 | 第42-44页 |
| 3.4 改进的 SVM 模型 GAPSO-SVM 的提出 | 第44-46页 |
| 3.4.1 GAPSO-SVM 模型参数寻优流程 | 第44-45页 |
| 3.4.2 GAPSO-SVM 模型实验分析 | 第45-46页 |
| 3.5 实验总结 | 第46-47页 |
| 4 改进的 SVM 模型及其在故障诊断中的应用 | 第47-52页 |
| 4.1 GAPSO-SVM 在城市给水管网故障诊断中的应用 | 第47页 |
| 4.2 课题来源介绍 | 第47页 |
| 4.3 GAPSO-SVM 在城市给水管网故障诊断的应用实例 | 第47-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 论文总结 | 第52-53页 |
| 5.2 研究展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58页 |
| A. 作者在攻读学位期间发表的论文目录 | 第58页 |
