基于优化支持向量机的工业装备寿命预测算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 寿命预测理论研究现状 | 第13-18页 |
| 1.2.2 支持向量机理论研究发展 | 第18-20页 |
| 1.3 本文主要工作与结构安排 | 第20-22页 |
| 1.3.1 主要工作 | 第20页 |
| 1.3.2 结构安排 | 第20-22页 |
| 第2章 相关知识 | 第22-37页 |
| 2.1 数据预处理方法 | 第22-28页 |
| 2.1.1 小波分析 | 第22-25页 |
| 2.1.2 相关分析 | 第25-28页 |
| 2.2 支持向量机理论概述 | 第28-32页 |
| 2.2.1 统计学习理论 | 第28-30页 |
| 2.2.2 支持向量机理论 | 第30-31页 |
| 2.2.3 支持向量机训练算法 | 第31-32页 |
| 2.3 回归模型 | 第32-36页 |
| 2.3.1 Logistic 回归模型 | 第32-34页 |
| 2.3.2 风险回归模型 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 一种基于脉冲小波分析的数据预处理方法 | 第37-47页 |
| 3.1 脉冲小波的提出 | 第37-39页 |
| 3.2 脉冲小波的正交性验证 | 第39-40页 |
| 3.3 脉冲小波分析方法 | 第40-41页 |
| 3.4 小波能量谱分析方法 | 第41-42页 |
| 3.5 基于脉冲小波的轴承健康状态评估仿真实验 | 第42-46页 |
| 3.5.1 相关参数与实验结果 | 第43页 |
| 3.5.2 可行性分析 | 第43-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 粒子群优化支持向量机回归预测模型 | 第47-57页 |
| 4.1 粒子群算法概述和改进 | 第47-53页 |
| 4.1.1 基本粒子群优化算法 | 第47-49页 |
| 4.1.2 已存粒子群改进策略 | 第49-53页 |
| 4.1.3 粒子群算法的进一步改进 | 第53页 |
| 4.2 改进粒子群优化支持向量机算法 | 第53-56页 |
| 4.2.1 支持向量机参数优化 | 第54-55页 |
| 4.2.2 粒子群优化支持向量机 | 第55-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第5章 实验及性能评估 | 第57-67页 |
| 5.1 信号采集 | 第57-60页 |
| 5.2 数据预处理 | 第60-61页 |
| 5.3 特征选择 | 第61-62页 |
| 5.4 特征走势预测 | 第62-63页 |
| 5.5 实验结果分析 | 第63-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第6章 总结和展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间公开发表的学术论文及参加的科研情况 | 第74-75页 |
