| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 故障诊断领域的发展和研究现状 | 第9-11页 |
| 1.3 论文的研究内容及组织框架 | 第11-12页 |
| 2 数据挖掘相关原理及技术 | 第12-18页 |
| 2.1 数据挖掘技术的介绍 | 第12-14页 |
| 2.2 机器学习算法 | 第14-15页 |
| 2.3 交叉检验 | 第15-16页 |
| 2.4 分类模型的评估标准 | 第16-17页 |
| 2.5 本章小结 | 第17-18页 |
| 3 基于决策树的空调故障诊断算法 | 第18-32页 |
| 3.1 基于决策树的空调制冷剂充注量异常检测算法研究 | 第18-26页 |
| 3.2 算法的改进 | 第26页 |
| 3.3 改进的CART算法在空调制冷剂充注量故障检测中的应用 | 第26-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于支持向量机的空调故障诊断算法 | 第32-42页 |
| 4.1 基于支持向量机的空调制冷剂充注量异常检测算法研究 | 第32-36页 |
| 4.2 算法方案确定 | 第36页 |
| 4.3 GA-SVM在空调制冷剂充注量故障检测中的应用 | 第36-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 决策树算法和支持向量机算法的应用结果对比分析 | 第42-47页 |
| 5.1 空调制冷剂充注量故障检测流程 | 第42-43页 |
| 5.2 方案及实现 | 第43-44页 |
| 5.3 方案结果对比分析 | 第44-46页 |
| 5.4 本章小结 | 第46-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47-48页 |
| 6.2 工作展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-52页 |
