基于流形学习的智能诊断方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-22页 |
| 1.1 课题概述 | 第10-11页 |
| 1.2 文献综述 | 第11-18页 |
| 1.3 论文研究内容及安排 | 第18-22页 |
| 2 基于MFA的智能诊断方法研究 | 第22-42页 |
| 2.1 引言 | 第22-24页 |
| 2.2 原始高维特征参数的提取 | 第24-27页 |
| 2.3 低维特征参数的提取 | 第27-32页 |
| 2.4 基于MFA算法的智能诊断模型 | 第32-33页 |
| 2.5 实验验证 | 第33-40页 |
| 2.6 本章小结 | 第40-42页 |
| 3 基于RKMFA的特征提取与诊断研究 | 第42-66页 |
| 3.1 引言 | 第42-43页 |
| 3.2 正则化核边界费舍尔分析 | 第43-46页 |
| 3.3 基于RKMFA算法的智能诊断模型 | 第46-49页 |
| 3.4 实验分析 | 第49-65页 |
| 3.5 本章小结 | 第65-66页 |
| 4 基于SSKMFA的特征提取与诊断研究 | 第66-93页 |
| 4.1 引言 | 第66-67页 |
| 4.2 半监督核边界费舍尔分析 | 第67-71页 |
| 4.3 轴承故障特征的提取 | 第71-78页 |
| 4.4 基于SSKMFA的智能诊断模型 | 第78-80页 |
| 4.5 实验验证 | 第80-92页 |
| 4.6 本章小结 | 第92-93页 |
| 5 基于MFA分值和SVM的智能诊断方法研究 | 第93-110页 |
| 5.1 引言 | 第93-94页 |
| 5.2 特征参数的提取 | 第94-95页 |
| 5.3 敏感特征参数的选择 | 第95-102页 |
| 5.4 支持向量机 | 第102-104页 |
| 5.5 基于MFA分值算法和SVM的智能诊断模型 | 第104-105页 |
| 5.6 实验验证 | 第105-109页 |
| 5.7 本章小结 | 第109-110页 |
| 6 全文总结与展望 | 第110-113页 |
| 6.1 全文总结 | 第110-111页 |
| 6.2 研究展望 | 第111-113页 |
| 致谢 | 第113-114页 |
| 参考文献 | 第114-126页 |
| 附录 攻读博士学位期间发表的学术论文 | 第126页 |
