| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 论文研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 特征提取技术的研究现状 | 第14-17页 |
| 1.2.2 模式识别技术的研究现状 | 第17-18页 |
| 1.2.3 液压系统故障诊断技术的研究现状 | 第18-19页 |
| 1.3 论文的研究内容及章节安排 | 第19-22页 |
| 1.3.1 论文的研究内容 | 第19-20页 |
| 1.3.2 论文的章节安排 | 第20-22页 |
| 第二章 模式识别分类技术 | 第22-42页 |
| 2.1 统计学习理论 | 第22-26页 |
| 2.1.1 统计学习 | 第22-23页 |
| 2.1.2 监督学习 | 第23-26页 |
| 2.2 贝叶斯理论 | 第26-28页 |
| 2.3 核方法 | 第28-30页 |
| 2.4 支持向量机 | 第30-35页 |
| 2.4.1 最优超平面 | 第30-32页 |
| 2.4.2 线性支持向量机 | 第32-34页 |
| 2.4.3 非线性支持向量机 | 第34-35页 |
| 2.5 相关向量机 | 第35-40页 |
| 2.5.1 相关向量机回归模型 | 第35-38页 |
| 2.5.2 相关向量机分类模型 | 第38-40页 |
| 2.6 RVM的优势 | 第40页 |
| 2.7 本章小结 | 第40-42页 |
| 第三章 振动信号处理技术 | 第42-54页 |
| 3.1 EMD基本原理 | 第42-44页 |
| 3.2 EEMD的基本原理 | 第44-47页 |
| 3.3 Hilbert变换 | 第47-48页 |
| 3.4 EEMD信号处理技术在故障诊断方法上的应用 | 第48-52页 |
| 3.4.1 熵 | 第48-49页 |
| 3.4.2 EEMD能量熵 | 第49页 |
| 3.4.3 基于EEMD能量熵故障诊断方法 | 第49-51页 |
| 3.4.4 仿真实验 | 第51-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 振动信号多特征提取与数据降维 | 第54-66页 |
| 4.1 振动信号特征 | 第54-58页 |
| 4.1.1 时域振动信号特征 | 第54-57页 |
| 4.1.2 频域振动信号特征 | 第57-58页 |
| 4.2 特征向量的建立 | 第58-59页 |
| 4.3 基于K-L散度与局部线性嵌入的特征降维方法 | 第59-64页 |
| 4.3.1 K-L散度 | 第59-60页 |
| 4.3.2 流形学习方法 | 第60页 |
| 4.3.3 局部线性嵌入算法 | 第60-62页 |
| 4.3.4 基于K-L散度与局部线性嵌入的特征降维方法 | 第62-63页 |
| 4.3.5 基于K-L与LLE的降维方法在液压系统故障诊断上的应用 | 第63-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 基于多特征与OAO-RVM的模型在捣固车液压系统故障诊断上的应用 | 第66-86页 |
| 5.1 RVM核函数 | 第66-67页 |
| 5.1.1 核函数的选择 | 第66-67页 |
| 5.1.2 高斯核函数 | 第67页 |
| 5.2 RVM参数优化 | 第67-70页 |
| 5.2.1 RVM参数设置 | 第67-68页 |
| 5.2.2 交叉验证 | 第68-70页 |
| 5.3 相关向量机多分类方法 | 第70-76页 |
| 5.3.1 一对多方法 | 第70-72页 |
| 5.3.2 一对一方法 | 第72-74页 |
| 5.3.3 二叉树方法 | 第74-75页 |
| 5.3.4 有向无环图方法 | 第75-76页 |
| 5.4 改进OAO-RVM | 第76-82页 |
| 5.4.1 基于策略的改进方法 | 第77-79页 |
| 5.4.2 基于分层的改进方法 | 第79-80页 |
| 5.4.3 改进的OAO-RVM多分类器分类流程 | 第80-82页 |
| 5.5 基于多特征与OAO-RVM的模型在捣固车液压系统故障诊断上的应用 | 第82-83页 |
| 5.6 本章小结 | 第83-86页 |
| 第六章 总结和展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 致谢 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 附录A 攻读学位期间发表论文与软件著作权目录 | 第94-96页 |
| 附录B 攻读学位期间参与的研究工作 | 第96页 |
