| 摘要 | 第1-5页 |
| ABSTRACTS | 第5-9页 |
| 第一章 绪论 | 第9-17页 |
| ·研究背景及意义 | 第9-10页 |
| ·设备故障诊断的国内外研究现状 | 第10-13页 |
| ·现有的故障诊断理论方法 | 第11-12页 |
| ·设备故障诊断技术的主要难点 | 第12-13页 |
| ·支持向量数据描述理论 | 第13页 |
| ·论文的研究内容及创新点 | 第13-14页 |
| ·论文的研究内容 | 第13-14页 |
| ·论文的创新点 | 第14页 |
| ·本章小结 | 第14-17页 |
| 第二章 基于SVDD的设备故障诊断方法概述 | 第17-31页 |
| ·统计学习方法概述 | 第17-20页 |
| ·模型 | 第17-18页 |
| ·策略 | 第18-20页 |
| ·算法 | 第20页 |
| ·支持向量数据描述理论 | 第20-27页 |
| ·支持向量数据描述 | 第21-23页 |
| ·核函数 | 第23-24页 |
| ·支持向量描述学习的实现算法 | 第24-27页 |
| ·基于SVDD的故障诊断模型 | 第27-28页 |
| ·系统模型 | 第27-28页 |
| ·数据采集与处理 | 第28页 |
| ·特征提取 | 第28页 |
| ·基于SVDD的检测系统分析 | 第28页 |
| ·本章小结 | 第28-31页 |
| 第三章 基于数据挖掘技术的SVDD训练样本集降维方法研究 | 第31-41页 |
| ·SVDD训练数据集降维的意义 | 第31-32页 |
| ·基于特征相关度分析的降维方法 | 第32-35页 |
| ·特征相关度对于SVDD的影响研究 | 第32-33页 |
| ·基于余弦法的SVDD特征降维方法 | 第33-34页 |
| ·余弦相关度实验分析 | 第34-35页 |
| ·基于统计信息网格技术的样本集降维方法 | 第35-40页 |
| ·统计信息网格技术 | 第35-36页 |
| ·STING_SVDD算法 | 第36-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 支持向量数据描述的增量学习算法研究 | 第41-47页 |
| ·增量学习算法的意义 | 第41页 |
| ·提升方法 | 第41-42页 |
| ·基于boost思想的SVDD增量学习算法 | 第42-45页 |
| ·基于boost思想的SVDD增量学习策略 | 第42页 |
| ·基于boost思想的SVDD增量学习算法 | 第42-43页 |
| ·基于boost思想的SVDD增量学习算法的实验验证 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第五章 基于改进SVDD方法的在线检测系统的实现及实验评估 | 第47-55页 |
| ·在线监测的实验分析 | 第47-48页 |
| ·实验目的 | 第47页 |
| ·实验环境及方案介绍 | 第47-48页 |
| ·训练数据集采集及预处理 | 第48-49页 |
| ·数据特征提取分析 | 第48-49页 |
| ·数据特征相关性分析 | 第49页 |
| ·在线检测系统实现及实验验证 | 第49-53页 |
| ·系统开发环境 | 第49页 |
| ·系统界面及流程介绍 | 第49-51页 |
| ·基于STING_SVDD的训练模型 | 第51页 |
| ·在线检测系统的实用性评估 | 第51-53页 |
| ·在线增量学习方法验证 | 第53页 |
| ·本章小结 | 第53-55页 |
| 第六章 总结与展望 | 第55-57页 |
| ·全文总结 | 第55-56页 |
| ·未来展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
