| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| ·课题概述 | 第9-10页 |
| ·课题背景 | 第10-15页 |
| ·本文的主要研究工作 | 第15-18页 |
| 第二章 支持向量机与模式识别 | 第18-28页 |
| ·引言 | 第18页 |
| ·统计学习理论基础 | 第18-20页 |
| ·支持向量机理论 | 第20-25页 |
| ·模式识别 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 支持向量机决策树算法及其在故障模式识别中的应用 | 第28-52页 |
| ·引言 | 第28页 |
| ·支持向量机的流行多类模式识别算法 | 第28-31页 |
| ·支持向量机决策树（SVM-DECISION TREE, SVMDT) 算法 | 第31-38页 |
| ·常见旋转机械振动故障模式 | 第38-42页 |
| ·实验 | 第42-46页 |
| ·实验分析 | 第46-50页 |
| ·本章小结 | 第50-52页 |
| 第四章 支持向量机训练算法实现 | 第52-70页 |
| ·引言 | 第52页 |
| ·支持向量机训练算法 | 第52-60页 |
| ·序列最小最优化算法的设计 | 第60-63页 |
| ·序列最小最优化算法的实现 | 第63-66页 |
| ·序列最小最优化算法的实现的验证 | 第66-67页 |
| ·本章小结 | 第67-70页 |
| 第五章 基于支持向量机的故障诊断子系统设计与实现 | 第70-96页 |
| ·远程状态监测与故障诊断系统简介 | 第70-75页 |
| ·基于支持向量机的故障诊断子系统设计 | 第75-78页 |
| ·基于支持向量机的故障诊断子系统开发 | 第78-89页 |
| ·基于支持向量机的故障诊断子系统实现 | 第89-95页 |
| ·本章小结 | 第95-96页 |
| 第六章 总结与展望 | 第96-98页 |
| ·本文总结 | 第96-97页 |
| ·展望 | 第97-98页 |
| 参考文献 | 第98-103页 |
| 致谢 | 第103-104页 |
| 攻读硕士学位期间发表的论文 | 第104页 |
| 攻读硕士学位期间参与的科研项目 | 第104-106页 |