基于支持向量机的机械故障模式分类研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-29页 |
| ·机械故障诊断的历史、意义及方法 | 第12-17页 |
| ·机械故障诊断的历史及意义 | 第12-13页 |
| ·机械故障诊断研究的内容和方法 | 第13-17页 |
| ·汽车故障诊断技术的研究现状 | 第17-20页 |
| ·支持向量机理论及工程应用研究的国内外现状 | 第20-25页 |
| ·支持向量机的理论研究 | 第20-21页 |
| ·支持向量机应用研究 | 第21-25页 |
| ·基于模式分类的故障诊断 | 第25-26页 |
| ·论文的主要研究内容 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第二章 支持向量机理论及算法 | 第29-47页 |
| ·机器学习与统计学习理论 | 第29-36页 |
| ·机器学习的理论基础 | 第29-32页 |
| ·统计学习理论的基本思想 | 第32-36页 |
| ·支持向量机理论 | 第36-41页 |
| ·最优超平面 | 第36-38页 |
| ·广义最优分类面 | 第38页 |
| ·高维空间中的最优分类面的推广 | 第38-40页 |
| ·不同点积形式的核函数 | 第40-41页 |
| ·基于分类的支持向量机 | 第41-46页 |
| ·两类分类的支持向量机 | 第41-44页 |
| ·单值分类支持向量机 | 第44-45页 |
| ·多值分类支持向量机 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 基于支持向量机驱动桥故障诊断研究 | 第47-67页 |
| ·汽车驱动桥结构及故障机理分析 | 第48-51页 |
| ·汽车驱动桥的结构 | 第48-49页 |
| ·驱动桥机械故障及机理分析 | 第49-51页 |
| ·PCA与KPCA的特征提取方法 | 第51-57页 |
| ·主元分析(PCA) | 第52-53页 |
| ·核主元分析(KPCA) | 第53-57页 |
| ·核主元驱动桥故障特征提取试验分析 | 第57-62页 |
| ·试验条件 | 第57页 |
| ·故障征兆集 | 第57-58页 |
| ·试验数据分析 | 第58-62页 |
| ·进化层次支持向量机模型方法试验研究 | 第62-66页 |
| ·本章小结 | 第66-67页 |
| 第四章 基于支持向量单值分类驱动桥异响检测 | 第67-84页 |
| ·支持向量数据描述原理 | 第67-70页 |
| ·单值分类法 | 第67-68页 |
| ·SVDD基本原理 | 第68-70页 |
| ·汽车驱动桥异响检测 | 第70-71页 |
| ·试验分析 | 第71-82页 |
| ·试验装置及试验条件 | 第71-72页 |
| ·基于谱熵的支持向量机异响识别 | 第72-77页 |
| ·基于主元分析的SVDD异响识别 | 第77-82页 |
| ·本章小结 | 第82-84页 |
| 第五章 基于支持向量机机械故障多类分类研究 | 第84-94页 |
| ·统计模式识别基础 | 第84-85页 |
| ·基于SVM的机械故障模式分类 | 第85-89页 |
| ·SVM多分类器算法 | 第85-89页 |
| ·试验分析 | 第89-93页 |
| ·试验装置 | 第89-90页 |
| ·试验分析 | 第90-92页 |
| ·结论 | 第92-93页 |
| ·本章小结 | 第93-94页 |
| 第六章 SVM基驱动桥性能试验系统研究 | 第94-109页 |
| ·驱动桥疲劳性能试验台系统设计 | 第94-106页 |
| ·试验系统组成 | 第95-97页 |
| ·试验台计算机控制系统 | 第97-100页 |
| ·试验流程 | 第100-102页 |
| ·系统监控界面 | 第102-104页 |
| ·试验结果 | 第104-106页 |
| ·驱动桥综合性能试验系统设计 | 第106-108页 |
| ·本章小结 | 第108-109页 |
| 第七章 总结与展望 | 第109-111页 |
| ·论文工作总结 | 第109-110页 |
| ·展望 | 第110-111页 |
| 参考文献 | 第111-121页 |
| 攻博期间发表的论文及参加的科研项目 | 第121-123页 |
| 致谢 | 第123页 |
