| 摘要 | 第4-5页 |
| 英文摘要 | 第5-6页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题研究背景及意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 故障诊断技术的国内外研究现状 | 第13-17页 |
| 1.2.2 陀螺仪故障诊断存在的问题和难点 | 第17-18页 |
| 1.3 论文的主要研究内容 | 第18-19页 |
| 1.4 论文结构安排 | 第19-21页 |
| 第二章 支持向量机理论基础 | 第21-37页 |
| 2.1 统计学习理论 | 第21-24页 |
| 2.1.1 学习过程的一致性 | 第21-22页 |
| 2.1.2 VC维理论 | 第22页 |
| 2.1.3 推广性的界 | 第22-23页 |
| 2.1.4 结构风险最小化原则 | 第23-24页 |
| 2.2 支持向量机基本原理 | 第24-28页 |
| 2.2.1 最优分类超平面 | 第24-25页 |
| 2.2.2 线性分类支持向量机 | 第25-27页 |
| 2.2.3 非线性分类支持向量机 | 第27-28页 |
| 2.3 支持向量机多分类方法 | 第28-30页 |
| 2.3.1 一对一方法 | 第28-29页 |
| 2.3.2 一对多方法 | 第29-30页 |
| 2.4 模糊支持向量机 | 第30-33页 |
| 2.4.1 数学模型 | 第30-31页 |
| 2.4.2 几种常用的模糊隶属度函数确定方法 | 第31-33页 |
| 2.5 支持向量机增量式学习算法 | 第33-36页 |
| 2.5.1 Batch SVM | 第34页 |
| 2.5.2 基于KKT条件的SVM增量学习算法 | 第34-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 陀螺仪的故障诊断算法设计方案 | 第37-52页 |
| 3.1 系统的总体结构设计 | 第37-38页 |
| 3.2 陀螺仪故障类型 | 第38-39页 |
| 3.3 基于小波包变换的陀螺仪信号特征提取方法 | 第39-42页 |
| 3.3.1 小波变换 | 第39-41页 |
| 3.3.2 小波包变换理论 | 第41页 |
| 3.3.3 小波包能量特征提取步骤 | 第41-42页 |
| 3.4 基于非平衡样本的FSVM | 第42-47页 |
| 3.4.1 非平衡特征因子 | 第44-45页 |
| 3.4.2 去噪模糊因子 | 第45-47页 |
| 3.5 基于双权重函数的增量学习算法 | 第47-51页 |
| 3.5.1 权重函数设计 | 第47-50页 |
| 3.5.2 增量学习算法实现过程 | 第50-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 故障诊断系统的数字仿真实验 | 第52-64页 |
| 4.1 实验样本的采集 | 第52-56页 |
| 4.2 基于FSVM-US的陀螺仪故障诊断系统仿真实验 | 第56-59页 |
| 4.2.1 不平衡分类的评价准则 | 第56-57页 |
| 4.2.2 实验准备 | 第57-58页 |
| 4.2.3 实验结果和分析 | 第58-59页 |
| 4.3 基于增量式FSVM的陀螺仪故障诊断系统仿真实验 | 第59-63页 |
| 4.3.1 实验准备 | 第60-62页 |
| 4.3.2 实验结果和分析 | 第62-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 故障诊断算法的DSP实现 | 第64-76页 |
| 5.1 系统硬件开发环境 | 第64-69页 |
| 5.1.1 TMS320F28335 芯片性能特点 | 第64-65页 |
| 5.1.2 外部存储空间扩展 | 第65-68页 |
| 5.1.3 片上SCI转换 | 第68-69页 |
| 5.2 系统的软件设计 | 第69-72页 |
| 5.2.1 小波包特征提取C语言实现 | 第69-70页 |
| 5.2.2 FSVM-US分类算法的C语言实现 | 第70-72页 |
| 5.3 实验及结论 | 第72-75页 |
| 5.3.1 实验方案 | 第72-74页 |
| 5.3.2 实验结论 | 第74-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第六章 结论与展望 | 第76-78页 |
| 6.1 工作总结 | 第76-77页 |
| 6.2 后期展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 在学期间的研究成果及发表的学术论文 | 第83页 |
