基于FSVM的陀螺仪故障诊断方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究的背景及意义 | 第12页 |
| 1.2 故障诊断技术 | 第12-16页 |
| 1.2.1 故障诊断技术研究的内容 | 第12-13页 |
| 1.2.2 故障诊断技术的国内外研究现状 | 第13-15页 |
| 1.2.3 支持向量机的发展状况 | 第15页 |
| 1.2.4 一对一多分类的发展状况 | 第15-16页 |
| 1.3 本文的主要研究工作 | 第16-17页 |
| 1.4 论文的结构安排 | 第17-18页 |
| 第二章 支持向量机理论基础 | 第18-33页 |
| 2.1 机器学习问题 | 第18-20页 |
| 2.1.1 学习模型 | 第18-19页 |
| 2.1.2 经验风险最小化 | 第19-20页 |
| 2.1.3 复杂性与推广能力 | 第20页 |
| 2.2 统计学习理论 | 第20-24页 |
| 2.2.1 学习过程的一致性 | 第20-21页 |
| 2.2.2 VC维理论 | 第21-22页 |
| 2.2.3 推广性的界 | 第22-23页 |
| 2.2.4 结构风险最小化 | 第23-24页 |
| 2.3 支持向量机 | 第24-30页 |
| 2.3.1 最优分类超平面 | 第24-25页 |
| 2.3.2 线性分类支持向量机 | 第25-28页 |
| 2.3.3 非线性分类支持向量机 | 第28-29页 |
| 2.3.4 核函数 | 第29-30页 |
| 2.4 多分类方法 | 第30-32页 |
| 2.4.1 一对一多分类方法 | 第30页 |
| 2.4.2 一对多多分类方法 | 第30-31页 |
| 2.4.3 决策树多分类方法 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 针对不平衡数据集的SVM | 第33-48页 |
| 3.1 不平衡数据集分类的相关概念 | 第33-34页 |
| 3.2 SVM与类不平衡 | 第34-35页 |
| 3.2.1 软间隔优化问题 | 第34-35页 |
| 3.2.2 支持向量比率的不平衡问题 | 第35页 |
| 3.3 改进的SVM学习方法 | 第35-38页 |
| 3.3.1 类惩罚代价不同SVM | 第35-36页 |
| 3.3.2 决策边界修正的SVM | 第36页 |
| 3.3.3 模糊支持向量机 | 第36-37页 |
| 3.3.4 不平衡学习模糊支持向量机 | 第37-38页 |
| 3.4 基于高斯分布的不平衡FSVM | 第38-43页 |
| 3.4.1 m±的设计 | 第38-40页 |
| 3.4.2 ( )if x的设计 | 第40-42页 |
| 3.4.3 期望和协方差矩阵的求取 | 第42-43页 |
| 3.5 仿真实验 | 第43-47页 |
| 3.5.1 实验环境 | 第43页 |
| 3.5.2 支持向量机参数寻优 | 第43-44页 |
| 3.5.3 SVM与FSVM对比实验结果 | 第44-45页 |
| 3.5.4 几种不平衡学习算法的对比实验结果 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 陀螺仪故障诊断的总体方案 | 第48-62页 |
| 4.1 系统总体结构 | 第48-49页 |
| 4.2 陀螺仪的故障类型 | 第49-50页 |
| 4.3 基于小波包分解的特征提取方法 | 第50-54页 |
| 4.3.1 小波变换 | 第50-51页 |
| 4.3.2 小波包变换 | 第51-52页 |
| 4.3.3 小波包分解提取能量特征 | 第52-54页 |
| 4.4 基于经验模态分解的特征提取方法 | 第54-55页 |
| 4.4.1 经验模态分解 | 第54-55页 |
| 4.4.2 EMD特征提取 | 第55页 |
| 4.5 多分类器设计 | 第55-61页 |
| 4.5.1 一对一多分类方法的拒识区问题 | 第55-56页 |
| 4.5.2 模糊决策法 | 第56-57页 |
| 4.5.3 紧密度决策法 | 第57-58页 |
| 4.5.4 改进的一对一方法 | 第58-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 故障诊断系统的仿真实验 | 第62-74页 |
| 5.1 实验样本采集 | 第62-68页 |
| 5.1.1 小波包分解法特征提取 | 第63-66页 |
| 5.1.2 经验模态分解法特征提取 | 第66-68页 |
| 5.2 基于FSVM-CIL的陀螺仪数据仿真实验 | 第68-72页 |
| 5.2.1 不平衡分类的评价标准 | 第68-69页 |
| 5.2.2 实验准备 | 第69页 |
| 5.2.3 支持向量机训练及参数优化 | 第69-71页 |
| 5.2.4 实验结果和分析 | 第71-72页 |
| 5.3 一对一多分类仿真实验 | 第72-73页 |
| 5.3.1 实验准备 | 第72-73页 |
| 5.3.2 实验结果和分析 | 第73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 后期展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 在学期间的研究成果及发表的学术论文 | 第81页 |
