支持向量机在设备故障诊断中的应用研究
| 第一章 导论 | 第1-13页 |
| 1．1 设备故障诊断概述 | 第7-10页 |
| 1．1．1 设备故障诊断的发展 | 第7-8页 |
| 1．1．2 现代设备故障诊断技术 | 第8-10页 |
| 1．2 支持向量机在设备故障诊断中的应用意义 | 第10-12页 |
| 1．3 本文内容安排 | 第12-13页 |
| 第二章 统计学习理论的基本内容 | 第13-20页 |
| 2．1 机器学习问题表示 | 第13-14页 |
| 2．2 经验风险 | 第14页 |
| 2．3 结构风险 | 第14-15页 |
| 2．4 vc维 | 第15-18页 |
| 2．5 核函数 | 第18-20页 |
| 第三章 支持向量机分类方法在故障诊断中的应用研究 | 第20-39页 |
| 3．1 支持向量机的二值分类问题 | 第20-24页 |
| 3．1．1 二次规划支持向量机的二值分类 | 第20-23页 |
| 3．1．2 线性规划支持向量机的二值分类 | 第23-24页 |
| 3．2 二值分类在轴承故障诊断中的应用 | 第24-29页 |
| 3．2．1 轴承检测参数的确定 | 第24-27页 |
| 3．2．2 基于主成份分析的轴承故障特征提取 | 第27-28页 |
| 3．2．3 基于二类分类方法的轴承故障检测 | 第28-29页 |
| 3．3 支持向量机的一类分类问题 | 第29-33页 |
| 3．3．1 基于超球体的一类分类 | 第29-30页 |
| 3．3．2 基于线性规划的一类分类 | 第30-32页 |
| 3．3．3 参数C和σ~2在一类分类中的作用 | 第32-33页 |
| 3．4 一类分类在轴承故障诊断中的的应用 | 第33-39页 |
| 3．4．1 一类分类在异常值检测中的应用 | 第33-34页 |
| 3．4．2 一类分类在故障模式识别中的应用 | 第34-39页 |
| 第四章 支持向量机增量学习及其应用 | 第39-43页 |
| 4．1 增量学习问题 | 第39页 |
| 4．2 基于信息衰减的支持向量机增量学习算法 | 第39-41页 |
| 4．3 仿真应用分析 | 第41页 |
| 4．4 增量学习算法在故障诊断中的应用 | 第41-43页 |
| 第五章 支持向量机回归方法在故障诊断中的应用研究 | 第43-54页 |
| 5．1 基于支持向量机回归的基本理论 | 第43-46页 |
| 5．1．1 基于支持向量机的线性回归情形 | 第43-45页 |
| 5．1．2 基于支持向量机的非线性回归情形 | 第45-46页 |
| 5．2 回归与分类之间的关系 | 第46-48页 |
| 5．3 支持向量机回归和预测能力分析 | 第48-52页 |
| 5．3．1 时间序列预测方法和误差评价 | 第48-49页 |
| 5．3．2 基于支持向量机的回归仿真 | 第49-52页 |
| 5．4 支持向量机回归在故障识别中的应用分析 | 第52-54页 |
| 第六章 结论与展望 | 第54-56页 |
| 6．1 结论 | 第54页 |
| 6．2 展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间主要的研究成果 | 第62页 |
