| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题研究的目的和意义 | 第9-10页 |
| ·国内外研究现状及进展 | 第10-15页 |
| ·磨粒分析技术的国内外研究情况 | 第10-13页 |
| ·特征的选择与优化 | 第13-14页 |
| ·集成学习 | 第14-15页 |
| ·课题来源 | 第15页 |
| ·研究的主要内容 | 第15-16页 |
| 第2章 磨粒的特征参数描述与识别方法 | 第16-26页 |
| ·基于磨粒分析的摩擦学系统状态辨识 | 第16-17页 |
| ·磨粒特征参数描述 | 第17-20页 |
| ·磨粒的二维特征 | 第17-19页 |
| ·磨粒的三维特征 | 第19-20页 |
| ·磨粒类型识别 | 第20-25页 |
| ·BP(back-Propagation)神经网络模型 | 第20-22页 |
| ·径向基神经网络(radial basis function network) | 第22-23页 |
| ·支持向量机 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 试验设计及分析手段 | 第26-40页 |
| ·柴油机滑动轴承材料磨损试验 | 第26-30页 |
| ·试验设备 | 第26-27页 |
| ·试验材料及参数 | 第27-28页 |
| ·试验方法和目的 | 第28-29页 |
| ·磨损过程分析 | 第29-30页 |
| ·磨粒分析手段 | 第30-31页 |
| ·滤膜谱片(filtergram)分析法 | 第30页 |
| ·基于激光共焦显微镜的磨粒图像处理技术 | 第30-31页 |
| ·典型磨粒样本 | 第31-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 磨粒特征参数的评价与优化研究 | 第40-56页 |
| ·磨粒特征的相关性和冗余性分析 | 第40-42页 |
| ·特征的评价与选择 | 第42-44页 |
| ·特征选择的概念 | 第42-43页 |
| ·特征选择的种类 | 第43-44页 |
| ·基于Recorre算法的磨粒特征选择 | 第44-46页 |
| ·ReliefF | 第44-45页 |
| ·Pearson积矩相关 | 第45页 |
| ·基于Recorre算法的磨粒特征选择模型 | 第45-46页 |
| ·基于遗传算法的磨粒特征选择 | 第46-49页 |
| ·遗传算法的运算流程 | 第46-47页 |
| ·基于遗传算法的磨粒特征选择模型 | 第47-49页 |
| ·算法性能分析及检验 | 第49-55页 |
| ·磨粒样本数据准备 | 第49页 |
| ·分类器设计 | 第49-50页 |
| ·磨粒特征选择 | 第50-51页 |
| ·实验结果及讨论 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 基于集成学习的磨粒识别方法研究 | 第56-67页 |
| ·集成学习概述 | 第56-59页 |
| ·集成学习的概念 | 第56-57页 |
| ·集成学习的构造方式 | 第57-58页 |
| ·分类器集成的实现 | 第58-59页 |
| ·基于装袋(Bagging)算法的磨粒识别方法研究 | 第59-62页 |
| ·Bagging算法 | 第59-60页 |
| ·实验测试 | 第60-62页 |
| ·基于特征选择的综合集成算法—GA-Bagging | 第62-66页 |
| ·算法的设计 | 第62-63页 |
| ·实验测试 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 第6章 结论与展望 | 第67-69页 |
| ·初步结论 | 第67-68页 |
| ·研究展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间发表的主要论文及参加的科研项目 | 第74页 |
