| 摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 选题的背景及意义 | 第8-9页 |
| 1.2 机械故障诊断技术研究现状 | 第9-11页 |
| 1.3 集成学习发展及现状 | 第11-12页 |
| 1.4 本课题的研究内容和论文结构 | 第12-14页 |
| 第二章 支持向量机集成学习方法研究 | 第14-27页 |
| 2.1 集成学习 | 第14-17页 |
| 2.1.1 集成学习的思想 | 第14页 |
| 2.1.2 强可学习与弱可学习 | 第14-15页 |
| 2.1.3 基分类器的生成方式 | 第15-17页 |
| 2.1.4 基分类器分类结果的合成方式 | 第17页 |
| 2.2 集成学习经典算法 | 第17-19页 |
| 2.2.1 Bagging方法 | 第17-18页 |
| 2.2.2 Boosting算法 | 第18-19页 |
| 2.3 支持向量机 | 第19-25页 |
| 2.3.1 支持向量机的形成 | 第21页 |
| 2.3.2 支持向量机的理论基础 | 第21-25页 |
| 2.4 支持向量机集成学习 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 支持向量机集成学习方法在柴油机故障诊断中的应用 | 第27-44页 |
| 3.1 柴油机故障诊断特征提取 | 第27-34页 |
| 3.1.1 振动信号时域特征分析 | 第27-31页 |
| 3.1.2 振动信号的子带能量特征提取 | 第31-34页 |
| 3.2 支持向量机在柴油机故障诊断中的应用 | 第34-37页 |
| 3.2.1 libsvm工具箱简介及实验数据介绍 | 第34页 |
| 3.2.2 建立支持向量机模型及实验分析 | 第34-37页 |
| 3.3 支持向量机参数优化 | 第37-38页 |
| 3.4 集成学习在柴油机故障诊断中的应用 | 第38-42页 |
| 3.4.1 弱学习器学习分类过程 | 第38-39页 |
| 3.4.2 强分类器设计和结果统计 | 第39-41页 |
| 3.4.3 对时域特征样本应用支持向量机集成学习方法 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于遗传算法的BP神经网络在柴油机故障诊断中应用 | 第44-57页 |
| 4.1 BP神经网络 | 第44-46页 |
| 4.2 BP神经网络故障诊断系统的实现 | 第46-49页 |
| 4.3 遗传算法 | 第49-52页 |
| 4.3.1 遗传算法原理 | 第49-50页 |
| 4.3.2 遗传算法的基本要素 | 第50页 |
| 4.3.3 基于遗传算法优化的BP神经网络 | 第50-52页 |
| 4.4 遗传优化BP神经网络在柴油机故障诊断中的应用 | 第52-55页 |
| 4.5 不同诊断模型诊断效果对比 | 第55-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 结论与展望 | 第57-59页 |
| 5.1 本文结论 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的论文 | 第63-64页 |
