| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 文章组织结构 | 第13-14页 |
| 第二章 飞机健康预警技术相关方法研究 | 第14-22页 |
| 2.1 QAR数据分析 | 第14-15页 |
| 2.1.1 QAR数据介绍 | 第14页 |
| 2.1.2 QAR数据特点 | 第14-15页 |
| 2.1.3 QAR数据的记录 | 第15页 |
| 2.2 飞机健康预警技术研究 | 第15-19页 |
| 2.3 支持向量机的实际应用研究 | 第19-21页 |
| 2.3.1 小样本应用研究 | 第19-20页 |
| 2.3.2 支持向量机的优点 | 第20页 |
| 2.3.3 支持向量机在故障诊断领域的应用研究现状 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 支持向量机理论 | 第22-33页 |
| 3.1 机器学习理论 | 第22-25页 |
| 3.1.1 问题的表示 | 第22-24页 |
| 3.1.2 经验风险最小化 | 第24页 |
| 3.1.3 复杂性与推广能力 | 第24-25页 |
| 3.2 统计学习理论 | 第25-28页 |
| 3.2.1 VC维 | 第25-26页 |
| 3.2.2 推广性的界 | 第26-27页 |
| 3.2.3 结构风险最小化 | 第27-28页 |
| 3.3 支持向量机原理 | 第28-32页 |
| 3.3.1 线性支持向量机 | 第28-31页 |
| 3.3.2 非线性支持向量机 | 第31-32页 |
| 3.3.3 核函数 | 第32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于SVM的飞机发动机故障多类分类研究 | 第33-47页 |
| 4.1 改进的SVM算法模型 | 第33-35页 |
| 4.1.1 v-SVM算法 | 第33-34页 |
| 4.1.2 LS-SVM算法 | 第34页 |
| 4.1.3 W-SVM算法 | 第34-35页 |
| 4.2 支持向量机的多类分类算法 | 第35-38页 |
| 4.2.1 一次性求解算法 | 第35-36页 |
| 4.2.2 一对余类算法 | 第36-37页 |
| 4.2.3 成对分类算法 | 第37页 |
| 4.2.4 决策导向无环图算法 | 第37-38页 |
| 4.3 仿真实验 | 第38-44页 |
| 4.3.1 采用IRIS数据集实验 | 第38-41页 |
| 4.3.2 QAR数据样本 | 第41-44页 |
| 4.4 结果分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于QAR数据的回归预测 | 第47-54页 |
| 5.1 支持向量机回归算法原理 | 第47-49页 |
| 5.2 支持向量机回归算法的实际应用 | 第49-53页 |
| 5.2.1 误差评价指标 | 第49-50页 |
| 5.2.2 仿真实验 | 第50-53页 |
| 5.2.3 结果分析 | 第53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 作者简介 | 第60页 |