首页--工业技术论文--一般工业技术论文--工程基础科学论文--工程数学论文--概率论、数理统计的应用论文--可靠性理论论文

基于最小二乘支持向量回归的系统可靠性预测

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

论文共79页,点击 下载论文
上一篇:数码摄影在当代商业插画中的多元表现
下一篇:关于唱名法的思考--对传统唱名法以及半音定位唱名法的探究