摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第12-18页 |
1.1 课题研究背景和意义 | 第12页 |
1.2 当前研究现状 | 第12-15页 |
1.2.1 神经网络方法 | 第13-14页 |
1.2.2 支持向量机方法 | 第14-15页 |
1.2.3 迭代非线性滤波 | 第15页 |
1.3 当前研究所存在的问题 | 第15-16页 |
1.4 主要研究内容与论文结构 | 第16-18页 |
1.4.1 主要研究内容 | 第16-17页 |
1.4.2 论文结构 | 第17-18页 |
第2章 最小二乘支持向量机 | 第18-36页 |
2.1 机器学习问题 | 第18-19页 |
2.2 统计学理论基础 | 第19-21页 |
2.3 支持向量机 | 第21-27页 |
2.3.1 支持向量机分类 | 第21-22页 |
2.3.2 支持向量机回归 | 第22-27页 |
2.4 参数选择 | 第27-30页 |
2.4.1 核函数的选择 | 第27-28页 |
2.4.2 惩罚参数及其他参数的选择 | 第28-29页 |
2.4.3 参数选择方法 | 第29-30页 |
2.5 最小二乘支持向量机 | 第30-32页 |
2.6 仿真实验 | 第32-35页 |
2.7 本章小结 | 第35-36页 |
第3章 迭代非线性滤波 | 第36-47页 |
3.1 非线性系统的状态估计问题 | 第36-37页 |
3.2 基本卡尔曼滤波 | 第37-39页 |
3.3 非线性滤波 | 第39-42页 |
3.3.1 扩展卡尔曼滤波 | 第39-40页 |
3.3.2 无迹卡尔曼滤波 | 第40-42页 |
3.4 迭代非线性滤波 | 第42-45页 |
3.4.1 迭代扩展卡尔曼滤波 | 第43页 |
3.4.2 迭代无迹卡尔曼滤波 | 第43-45页 |
3.5 本章小结 | 第45-47页 |
第4章 基于卡尔曼滤波的LS-SVM在线学习算法 | 第47-57页 |
4.1 引言 | 第47页 |
4.2 可行性分析 | 第47-49页 |
4.3 LS-SVM 的状态空间表达式 | 第49-50页 |
4.4 LS-SVM 的在线学习 | 第50-55页 |
4.4.1 基于 IEKF 的 LS-SVM 在线学习 | 第50-52页 |
4.4.2 基于 IUKF 的 LS-SVM 在线学习 | 第52-55页 |
4.5 本章小结 | 第55-57页 |
第5章 发动机系统可靠性预测模型建立与仿真 | 第57-72页 |
5.1 引言 | 第57-58页 |
5.2 预测模型建立 | 第58-59页 |
5.2.1 IEKF-LSSVM模型 | 第58页 |
5.2.2 IUKF-LSSVM模型 | 第58-59页 |
5.3 性能评价指标 | 第59-60页 |
5.4 仿真实验 | 第60-71页 |
5.4.1 实验数据预处理 | 第60-62页 |
5.4.2 实验结果与分析 | 第62-71页 |
5.5 本章小结 | 第71-72页 |
总结与展望 | 第72-74页 |
参考文献 | 第74-78页 |
攻读硕士期间发表的学术论文 | 第78-79页 |
致谢 | 第79页 |