| 摘要 | 第1-6页 |
| ABSTRACT | 第6-16页 |
| 第一章 绪论 | 第16-28页 |
| ·引言 | 第16-19页 |
| ·基于支持向量机的故障诊断及其研究现状 | 第19-26页 |
| ·支持向量机 | 第19-22页 |
| ·基于支持向量机的故障诊断 | 第22-23页 |
| ·基于支持向量机的故障诊断研究现状 | 第23-26页 |
| ·论文的研究内容和结构安排 | 第26-28页 |
| 第二章 支持向量机多分类扩展研究 | 第28-47页 |
| ·引言 | 第28-32页 |
| ·决策导向无环图支持向量机及其划分偏好 | 第32-34页 |
| ·基于结点优化的 DAG-SVM 多分类扩展策略 | 第34-37页 |
| ·误判损失最小化支持向量机 | 第37-41页 |
| ·误判损失最小化支持向量机原理 | 第37-38页 |
| ·MCM-SVM 相关定义 | 第38-39页 |
| ·计算误判损失总体风险 | 第39-41页 |
| ·误判损失最小化支持向量机流程 | 第41页 |
| ·实验 | 第41-46页 |
| ·实验数据准备 | 第41-42页 |
| ·基于 nrDAG-SVM 的故障诊断 | 第42-44页 |
| ·基于 MCM-SVM 的故障诊断 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第三章 基于样本标签的在线诊断提速 | 第47-66页 |
| ·引言 | 第47-49页 |
| ·决策耗时对在线故障诊断的影响 | 第49-52页 |
| ·基于标签信息的支持向量机在线诊断系统 | 第52-61页 |
| ·基于标签的支持向量机在线诊断系统结构 | 第52-54页 |
| ·样本标签与特征选择的关系 | 第54-55页 |
| ·如何采用标签信息进行特征选择？ | 第55-58页 |
| ·与传统特征选择方法的对比 | 第58-61页 |
| ·实验验证 | 第61-65页 |
| ·人工数据集 | 第61-62页 |
| ·实际应用 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 第四章 样本不对称条件下基于支持向量机的故障诊断研究 | 第66-74页 |
| ·引言 | 第66页 |
| ·问题描述 | 第66-68页 |
| ·自调整支持向量机(Self-tuning Support Vector Machine, St-SVM) | 第68-71页 |
| ·惩罚因子自调整策略 | 第68-70页 |
| ·自调整支持向量机分类性能 | 第70-71页 |
| ·实验 | 第71-73页 |
| ·样本不对称现象抑制能力对比 | 第72-73页 |
| ·诊断性能对比 | 第73页 |
| ·本章小结 | 第73-74页 |
| 第五章 样本不完备条件下的故障诊断研究 | 第74-86页 |
| ·引言 | 第74-75页 |
| ·支持向量数据描述 | 第75-77页 |
| ·样本不完备条件下基于 SVDD 的故障诊断 | 第77-81页 |
| ·SVDD 针对样本不完备条件下的故障空间划分 | 第78-79页 |
| ·基于 SVDD 的故障诊断流程 | 第79-80页 |
| ·基于 SVDD 故障诊断的优势 | 第80-81页 |
| ·实验验证 | 第81-85页 |
| ·高斯分布数据集 | 第81-84页 |
| ·变压器故障诊断 | 第84-85页 |
| ·本章小结 | 第85-86页 |
| 第六章 柔性支持向量回归及其在故障诊断中的应用 | 第86-110页 |
| ·引言 | 第86页 |
| ·支持向量回归及其研究状况 | 第86-89页 |
| ·复杂情况下常值回归参数 SVR 的困境 | 第89-91页 |
| ·柔性支持向量回归 | 第91-100页 |
| ·柔性支持向量回归的基本思想 | 第91-94页 |
| ·柔性支持向量回归的基本流程 | 第94-100页 |
| ·针对划分区间数‘ k ’的讨论 | 第100页 |
| ·实验 | 第100-108页 |
| ·人工数据实验 | 第100-105页 |
| ·基于 F-SVR 的高频电源故障检测 | 第105-108页 |
| ·本章小结 | 第108-110页 |
| 第七章 总结与展望 | 第110-112页 |
| ·全文总结 | 第110-111页 |
| ·后续工作展望 | 第111-112页 |
| 参考文献 | 第112-124页 |
| 致谢 | 第124-125页 |
| 在学期间的研究成果及发表的学术论文 | 第125-127页 |
| 附录 | 第127-129页 |