| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题研究背景和意义 | 第10页 |
| ·国内外研究现状 | 第10-14页 |
| ·支持向量机理论发展 | 第11页 |
| ·支持向量机应用研究 | 第11-12页 |
| ·支持向量机在故障智能诊断中的研究 | 第12-14页 |
| ·论文主要内容和结构安排 | 第14页 |
| ·本章小结 | 第14-16页 |
| 第二章 支持向量机学习算法 | 第16-26页 |
| ·引言 | 第16页 |
| ·机器学习的理论基础 | 第16-17页 |
| ·机器学习模型 | 第16-17页 |
| ·经验风险最小化原则 | 第17页 |
| ·复杂性与推广能力 | 第17页 |
| ·统计学习理论 | 第17-20页 |
| ·函数的VC 维 | 第18页 |
| ·学习过程的一致性 | 第18-19页 |
| ·推广性的界 | 第19页 |
| ·结构风险最小归纳原则 | 第19-20页 |
| ·支持向量机原理 | 第20-24页 |
| ·线性支持向量机 | 第20-22页 |
| ·非线性支持向量机 | 第22-23页 |
| ·核函数 | 第23-24页 |
| ·基于支持向量机故障诊断基本步骤 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 多故障分类器研究 | 第26-34页 |
| ·引言 | 第26页 |
| ·多故障分类器算法 | 第26-31页 |
| ·常用的多值分类算法 | 第26-29页 |
| ·有向无环图多值分类算法 | 第29-31页 |
| ·仿真实验与结果分析 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 故障分类器核函数的参数优化研究 | 第34-40页 |
| ·引言 | 第34页 |
| ·核函数的参数优化方法 | 第34-38页 |
| ·常用的参数优化算法 | 第34-35页 |
| ·基于FISHER 判别准则的核函数参数优化模型建立 | 第35-36页 |
| ·改进遗传算法对核函数模型的优化 | 第36-37页 |
| ·优化算法的实现 | 第37-38页 |
| ·仿真实验与结果分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 实验研究与分析 | 第40-56页 |
| ·引言 | 第40页 |
| ·实验设计 | 第40-45页 |
| ·实验仪器及设备 | 第40-41页 |
| ·振动信号的检测 | 第41-44页 |
| ·典型故障实验设计 | 第44-45页 |
| ·数据采集系统设计 | 第45页 |
| ·振动信号小波包分解故障特征的提取 | 第45-52页 |
| ·小波包分解故障特征提取算法 | 第46-48页 |
| ·小波包分解故障特征提取算例 | 第48-52页 |
| ·实例分析 | 第52-55页 |
| ·小波包分解故障特征提取 | 第52-53页 |
| ·故障分类器的建立 | 第53页 |
| ·核函数的参数优化 | 第53-55页 |
| ·故障模式分类与结果讨论 | 第55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-57页 |
| ·论文总结 | 第56页 |
| ·研究展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第62页 |