| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 孪生支持向量机的产生 | 第12页 |
| 1.2.2 孪生支持向量机在二分类方面的研究现状 | 第12-13页 |
| 1.2.3 孪生支持向量机在多类分类方面的研究现状 | 第13-14页 |
| 1.2.4 基于孪生支持向量机的特征选择研究现状 | 第14-16页 |
| 1.3 本文的研究内容及结构安排 | 第16-17页 |
| 第2章 孪生支持向量机简介 | 第17-29页 |
| 2.1 统计学习理论与支持向量机 | 第17-20页 |
| 2.1.1 统计学习理论 | 第17-19页 |
| 2.1.2 支持向量机 | 第19-20页 |
| 2.2 广义特征值近似支持向量机 | 第20-21页 |
| 2.3 孪生支持向量机 | 第21-24页 |
| 2.4 孪生支持向量机的几种典型改进算法 | 第24-28页 |
| 2.4.1 正则化孪生支持向量机 | 第24-25页 |
| 2.4.2 V-孪生支持向量机 | 第25-26页 |
| 2.4.3 最小二乘孪生支持向量机 | 第26-27页 |
| 2.4.4 投影化孪生支持向量机 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于孪生支持向量机的特征选择 | 第29-40页 |
| 3.1 特征选择概述 | 第29-30页 |
| 3.2 F-score和SVM-RFE方法 | 第30-32页 |
| 3.2.1 F-score评价准则 | 第30-31页 |
| 3.2.2 SVM-RFE方法 | 第31-32页 |
| 3.3 基于线性TWSVM的特征选择方法 | 第32-39页 |
| 3.3.1 算法原理 | 第32-35页 |
| 3.3.2 仿真结果和分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于孪生支持向量机的多类分类算法及应用 | 第40-53页 |
| 4.1 TWSVM多类分类算法 | 第40-45页 |
| 4.1.1 一对余TWSVM多类分类算法 | 第40-42页 |
| 4.1.2 一对一 TWSVM 多类分类算法 | 第42-43页 |
| 4.1.3 二叉树TWSVM多类分类算法 | 第43-45页 |
| 4.2 实验与结果分析 | 第45-46页 |
| 4.3 TWSVM多类分类算法在轴承故障诊断中的应用 | 第46-51页 |
| 4.3.1 轴承故障诊断简述 | 第47页 |
| 4.3.2 故障特征提取 | 第47-49页 |
| 4.3.3 基于 TWSVM 的轴承故障识别 | 第49-51页 |
| 4.4 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62页 |