基于支持向量回归的汽车可靠性数据建模研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8-10页 |
| 1.1.1 产品质保和产品可靠性 | 第8页 |
| 1.1.2 可靠性数据 | 第8-9页 |
| 1.1.3 可靠性建模 | 第9-10页 |
| 1.2 当前研究现状 | 第10-14页 |
| 1.2.1 可靠性数据建模相关研究 | 第10-12页 |
| 1.2.2 支持向量机方法 | 第12-14页 |
| 1.3 研究意义 | 第14-15页 |
| 1.4 研究内容和论文结构 | 第15-18页 |
| 1.4.1 研究内容 | 第15页 |
| 1.4.2 论文结构 | 第15-18页 |
| 第二章 可靠性相关理论和传统可靠性预测方法 | 第18-28页 |
| 2.1 产品可靠性和相关指标 | 第18-21页 |
| 2.1.1 首次故障之前的时间分布 | 第19页 |
| 2.1.2 产品可靠度 | 第19页 |
| 2.1.3 失效率与失效函数 | 第19-21页 |
| 2.2 传统的可靠性预测方法 | 第21-28页 |
| 2.2.1 相似设备法 | 第21-22页 |
| 2.2.2 专家评分法 | 第22-23页 |
| 2.2.3 上下限法 | 第23-26页 |
| 2.2.4 传统方法评价 | 第26-28页 |
| 第三章 支持向量机方法 | 第28-42页 |
| 3.1 机器学习原理介绍 | 第28-30页 |
| 3.1.1 学习问题的一般描述 | 第28-29页 |
| 3.1.2 经验风险最小化原则 | 第29-30页 |
| 3.2 统计学习理论 | 第30-32页 |
| 3.2.1 VC维与推广性的界 | 第30-31页 |
| 3.2.2 结构风险最小化原则 | 第31-32页 |
| 3.3 支持向量机 | 第32-42页 |
| 3.3.1 最优分类超平面与对偶问题 | 第33-35页 |
| 3.3.2 软间隔与正则化 | 第35-36页 |
| 3.3.3 核函数 | 第36-38页 |
| 3.3.4 支持向量回归 | 第38-42页 |
| 第四章 基于支持向量回归的可靠性建模 | 第42-66页 |
| 4.1 实验平台的搭建 | 第42-47页 |
| 4.1.1 数据平台的搭建 | 第42-45页 |
| 4.1.2 LIBSVM工具包 | 第45-47页 |
| 4.2 可靠性预测实验过程 | 第47-55页 |
| 4.2.1 可靠性预测目标与模型建立 | 第47-48页 |
| 4.2.2 数据预处理 | 第48-50页 |
| 4.2.3 交叉验证 | 第50-51页 |
| 4.2.4 基于不同时间预测 | 第51-53页 |
| 4.2.5 基于不同产品预测 | 第53-55页 |
| 4.3 模型讨论 | 第55-61页 |
| 4.3.1 训练数据集样本数量的影响 | 第56-57页 |
| 4.3.2 数据迭代的影响 | 第57-59页 |
| 4.3.3 核函数选择的影响 | 第59-60页 |
| 4.3.4 可靠性等值线分析 | 第60-61页 |
| 4.4 方法对比 | 第61-66页 |
| 4.4.1 神经网络 | 第61-63页 |
| 4.4.2 随机森林 | 第63-65页 |
| 4.4.3 对比结果 | 第65-66页 |
| 第五章 结论与展望 | 第66-68页 |
| 5.1 结论 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 发表论文和参加科研情况说明 | 第72-74页 |
| 致谢 | 第74页 |
