| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题研究的背景及意义 | 第13页 |
| 1.2 故障诊断技术的研究现状及发展趋势 | 第13-17页 |
| 1.2.1 故障诊断技术的基本步骤 | 第13-14页 |
| 1.2.2 故障诊断的国内外研究现状及发展 | 第14-15页 |
| 1.2.3 小波和支持向量机在故障诊断中的应用现状 | 第15-17页 |
| 1.3 课题研究的主要内容 | 第17页 |
| 1.3.1 课题研究的内容及方案 | 第17页 |
| 1.3.2 课题研究的技术路线 | 第17页 |
| 1.4 论文结构的安排 | 第17-19页 |
| 第二章 无人机传感器故障诊断系统总体设计方案 | 第19-22页 |
| 2.1 引言 | 第19页 |
| 2.2 系统总体设计结构 | 第19-21页 |
| 2.3 系统实现的功能 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 速率陀螺信号的能量特征 | 第22-34页 |
| 3.1 引言 | 第22页 |
| 3.2 小波变换 | 第22-25页 |
| 3.2.1 连续小波变化 | 第22-23页 |
| 3.2.2 离散小波变换 | 第23页 |
| 3.2.3 小波分解 | 第23-24页 |
| 3.2.4 小波包分解 | 第24-25页 |
| 3.3 小波包分解提取能量特征 | 第25-33页 |
| 3.3.1 小波基函数的确定 | 第26-27页 |
| 3.3.2 小波包分解在特征提取中的应用 | 第27-32页 |
| 3.3.3 提取能量特征具体步骤 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 统计学习理论与支持向量机 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 机器学习的表示 | 第34-35页 |
| 4.2.1 学习的表示 | 第34-35页 |
| 4.2.2 经验风险最小化原则 | 第35页 |
| 4.2.3 模型复杂度与泛化能力 | 第35页 |
| 4.3 统计学习基本理论 | 第35-40页 |
| 4.3.1 统计学习理论的概述 | 第35-36页 |
| 4.3.2 学习过程的一致性理论 | 第36-37页 |
| 4.3.3 VC 维理论 | 第37页 |
| 4.3.4 推广性的界 | 第37-38页 |
| 4.3.5 结构风险最小化原则 | 第38-40页 |
| 4.4 支持向量机基本理论 | 第40-46页 |
| 4.4.1 支持向量机基本原理 | 第40页 |
| 4.4.2 最优分类超平面 | 第40-41页 |
| 4.4.3 线性分类支持向量机 | 第41-43页 |
| 4.4.4 线性不可分支持向量机 | 第43页 |
| 4.4.5 非线性支持向量机 | 第43-44页 |
| 4.4.6 核函数 | 第44-45页 |
| 4.4.7 误差惩罚参数 C | 第45-46页 |
| 4.5 支持向量机模型建立 | 第46页 |
| 4.6 支持向量机中的参数优化问题 | 第46页 |
| 4.7 本章小结 | 第46-48页 |
| 第五章 多核支持向量机分类诊断系统设计 | 第48-54页 |
| 5.1 引言 | 第48页 |
| 5.2 多核支持向量机的构造 | 第48-50页 |
| 5.3 基于遗传算法寻优的核权系数优化方法 | 第50-52页 |
| 5.3.1 遗传算法的基本概念 | 第50页 |
| 5.3.2 遗传算法的基本流程图 | 第50-51页 |
| 5.3.3 遗传算法的参数优化原理 | 第51-52页 |
| 5.4 支持向量机多分类技术设计 | 第52页 |
| 5.5 本章小结 | 第52-54页 |
| 第六章 故障诊断系统试验及仿真验证 | 第54-69页 |
| 6.1 引言 | 第54页 |
| 6.2 仿真验证系统组成 | 第54-59页 |
| 6.2.1 飞控系统传感器简介及故障类型 | 第54-55页 |
| 6.2.2 采集训练样本及支持向量机训练 | 第55-58页 |
| 6.2.3 故障诊断系统的在线仿真验证 | 第58-59页 |
| 6.3 能量特征提取 | 第59-61页 |
| 6.4 单核 SVM 实验 | 第61-63页 |
| 6.5 多核 SVM 实验 | 第63-68页 |
| 6.5.1 遗传算法对多核权值系数优化设计 | 第64-66页 |
| 6.5.2 实验结果分析 | 第66-68页 |
| 6.6 本章小结 | 第68-69页 |
| 第七章 总结与展望 | 第69-71页 |
| 7.1 工作总结 | 第69-70页 |
| 7.2 后期展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 在学期间的研究成果及发表的学术论文 | 第76页 |