| 摘要 | 第1-5页 |
| ABSTRACT | 第5-14页 |
| 第一章 绪论 | 第14-26页 |
| ·选题的目的和意义 | 第14-18页 |
| ·国内外研究载荷识别概况及研究现状 | 第18-24页 |
| ·传统载荷识别介绍 | 第19-21页 |
| ·载荷识别研究现状 | 第21-24页 |
| ·本文主要内容 | 第24-26页 |
| 第二章 学习机进行载荷识别的基本理论 | 第26-40页 |
| ·基于神经网络的载荷识别 | 第26-28页 |
| ·人工神经网络的学习过程 | 第26-27页 |
| ·神经网络的模式识别 | 第27-28页 |
| ·BP神经网络算法概述 | 第28-30页 |
| ·BP网络算法基本思想 | 第28-29页 |
| ·BP网络的学习机理 | 第29-30页 |
| ·统计学习理论的核心内容 | 第30-33页 |
| ·VC维 | 第30-31页 |
| ·推广性的界 | 第31-32页 |
| ·结构风险最小化 | 第32-33页 |
| ·支持向量机 | 第33-37页 |
| ·广义最优分类面 | 第33-35页 |
| ·支持向量机 | 第35-36页 |
| ·核函数 | 第36页 |
| ·核函数成分分析 | 第36-37页 |
| ·最小二乘支持向量机 | 第37-39页 |
| ·小结 | 第39-40页 |
| 第三章 神经网络和SVM方法对比研究 | 第40-54页 |
| ·BP网络应用设计 | 第40-45页 |
| ·BP网络的算法框图 | 第40-41页 |
| ·BP网络结构选择 | 第41-42页 |
| ·BP网络对数据的识别研究 | 第42-45页 |
| ·SVM的应用研究 | 第45-50页 |
| ·不同类型的核函数对数据分类的影响 | 第46-47页 |
| ·不同参数的核函数对数据分类的影响 | 第47-49页 |
| ·SVM对数据的学习 | 第49-50页 |
| ·最小二乘支持向量机 | 第50-53页 |
| ·小结 | 第53-54页 |
| 第四章 载荷识别实验设计和数据的采集 | 第54-64页 |
| ·实验原理 | 第54-55页 |
| ·实验仪器介绍 | 第55-56页 |
| ·激振器 | 第55页 |
| ·传感器 | 第55-56页 |
| ·耦合器 | 第56页 |
| ·信号发生器 | 第56页 |
| ·测试仪器 | 第56页 |
| ·加速度计的安装 | 第56-57页 |
| ·激振测试系统 | 第57-58页 |
| ·实验步骤 | 第58-59页 |
| ·实验采集的信号 | 第59-64页 |
| 第五章 支持向量机在动态载荷识别中的应用 | 第64-84页 |
| ·基于支持向量机的动态载荷识别模型 | 第64页 |
| ·各种激励下LS-SVM和NN动态载荷识别对比研究 | 第64-75页 |
| ·LS-SVM对动态载荷识别 | 第65-69页 |
| ·神经网络对动载荷识别结果 | 第69-75页 |
| ·同一系统下不同载荷的识别 | 第75-82页 |
| ·LS-SVM对不同信号的识别情况 | 第75-78页 |
| ·神经网络对不同信号的识别情况 | 第78-82页 |
| ·小结 | 第82-84页 |
| 结论及今后的工作方向 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 攻读学位期间发表的学术论文目录 | 第92页 |