| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 变量注释表 | 第14-15页 |
| 1 绪论 | 第15-22页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.3 本文研究的主要内容 | 第21-22页 |
| 2 静电火花理论介绍 | 第22-29页 |
| 2.1 静电火花的发生模型 | 第22-23页 |
| 2.2 静电火花的检测 | 第23-26页 |
| 2.3 静电火花放电数学模型 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 静电火花电磁信号分析 | 第29-55页 |
| 3.1 静电火花电磁模型 | 第29-31页 |
| 3.2 静电火花电磁信号的小波分析 | 第31-40页 |
| 3.3 静电火花电磁信号的小波包分析 | 第40-45页 |
| 3.4 基于Hilbert-Huang变换的静电火花电磁信号特征分析 | 第45-54页 |
| 3.5 本章小结 | 第54-55页 |
| 4 基于RBF神经网络的静电火花的识别 | 第55-63页 |
| 4.1 神经网络简介 | 第55-56页 |
| 4.2 RBF神经网络的组成 | 第56-57页 |
| 4.3 RBF神经网络训练算法 | 第57-59页 |
| 4.4 RBF神经网络用于静电火花的识别 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5 基于支持向量机(SVM)的静电火花的识别 | 第63-75页 |
| 5.1 支持向量机理论原理 | 第63-67页 |
| 5.2 核函数 | 第67页 |
| 5.3 支持向量机的分类方法 | 第67-70页 |
| 5.4 支持向量机用于静电火花的识别 | 第70-73页 |
| 5.5 两种识别方法的识别结果分析 | 第73-74页 |
| 5.6 本章小结 | 第74-75页 |
| 6 总结与展望 | 第75-77页 |
| 6.1 论文所做工作 | 第75页 |
| 6.2 展望 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 作者简历 | 第83-85页 |
| 学位论文数据集 | 第85页 |