支持向量机在刀具故障诊断中的应用
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-10页 |
| 1 绪论 | 第10-17页 |
| ·本课题研究的目的和意义 | 第10-11页 |
| ·刀具故障诊断技术国内外发展状况 | 第11页 |
| ·声发射检测技术研究现状 | 第11-13页 |
| ·基于小波分析的声发射信号特征提取方法研究现状 | 第13-14页 |
| ·支持向量机研究现状 | 第14页 |
| ·本文研究的主要内容 | 第14-17页 |
| 2 声发射信号检测方法 | 第17-25页 |
| ·声发射信号的原理及特点 | 第17-18页 |
| ·刀具声发射信号检测系统的组成 | 第18-20页 |
| ·声发射信号的分析处理方法 | 第20-24页 |
| ·参数分析法 | 第20-21页 |
| ·波形分析法 | 第21-24页 |
| ·本章小结 | 第24-25页 |
| 3 基于小波包分析的刀具声发射信号特征提取 | 第25-46页 |
| ·小波包分析基本原理 | 第25-30页 |
| ·小波包的定义 | 第26-27页 |
| ·小波包的性质 | 第27-28页 |
| ·小波包的空间分解 | 第28-29页 |
| ·小波包变换 | 第29-30页 |
| ·信号的特征选择和提取理论 | 第30-31页 |
| ·特征选择与提取理论 | 第30页 |
| ·特征选择和提取的目的 | 第30-31页 |
| ·小波包分析在刀具声发射信号特征提取中的应用研究 | 第31-35页 |
| ·小波包分解的能量 | 第32-33页 |
| ·基于小波包分解技术的能量特征提取 | 第33-35页 |
| ·特征提取及仿真分析 | 第35-45页 |
| ·刀具切削状态的实验数据采集 | 第35-39页 |
| ·实验及结果分析 | 第39-45页 |
| ·本章小结 | 第45-46页 |
| 4 统计学习理论与支持向量机 | 第46-70页 |
| ·统计学习理论 | 第47-50页 |
| ·VC维 | 第47-48页 |
| ·推广性的界 | 第48-49页 |
| ·结构风险最小化 | 第49-50页 |
| ·支持向量机 | 第50-60页 |
| ·支持向量机概述 | 第51-52页 |
| ·最优分类超平面 | 第52-54页 |
| ·支持向量机原理 | 第54-56页 |
| ·核函数理论 | 第56-59页 |
| ·支持向量机的优缺点 | 第59-60页 |
| ·基于支持向量机的刀具故障诊断研究 | 第60-69页 |
| ·基于支持向量机的刀具状态识别算法分析 | 第61页 |
| ·支持向量机分类器训练及分类实验 | 第61-62页 |
| ·支持向量机学习性能测试 | 第62-65页 |
| ·支持向量机刀具状态识别实验 | 第65-69页 |
| ·本章小结 | 第69-70页 |
| 5 结论及展望 | 第70-72页 |
| ·本文工作总结 | 第70页 |
| ·进一步的工作展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间参与的科研项目及发表的学术论文 | 第75-78页 |
| 致谢 | 第78页 |
