基于支持向量机的水电机组故障诊断研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-26页 |
| ·引言 | 第10-11页 |
| ·故障诊断方法概述 | 第11-19页 |
| ·支持向量机及其应用概述 | 第19-23页 |
| ·本文的研究工作及意义 | 第23-26页 |
| 2 支持向量机基本理论 | 第26-46页 |
| ·引言 | 第26-27页 |
| ·统计学习理论的基本内容 | 第27-34页 |
| ·支持向量机理论 | 第34-42页 |
| ·最小二乘支持向量机 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 3 基于支持向量机的水电机组振动故障分类研究 | 第46-61页 |
| ·引言 | 第46-47页 |
| ·基于小波分析的故障特征提取 | 第47-52页 |
| ·基于LS-SVM 的故障分类模型 | 第52-57页 |
| ·水电机组振动故障分类识别 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 4 基于支持向量机的水电机组状态预测研究 | 第61-81页 |
| ·引言 | 第61-62页 |
| ·预测可行性分析 | 第62-65页 |
| ·预测方法概述 | 第65-66页 |
| ·预测方法评价准则和误差评价函数 | 第66-69页 |
| ·基于小波与LS-SVM 的集成预测模型 | 第69-74页 |
| ·水电机组振动状态预测分析 | 第74-80页 |
| ·本章小结 | 第80-81页 |
| 5 基于遗传算法的支持向量机模型参数选择 | 第81-92页 |
| ·引言 | 第81-82页 |
| ·遗传算法 | 第82-86页 |
| ·GA-LSSVM 预测模型参数选择 | 第86-89页 |
| ·实例分析 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 6 总结与展望 | 第92-95页 |
| ·研究总结 | 第92-93页 |
| ·研究展望 | 第93-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-109页 |
| 附录1 (攻读博士学位期间发表论文) | 第109页 |
