基于支持向量机的刀具磨损状态识别技术研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 主要符号表 | 第12-13页 |
| 第1章 绪论 | 第13-18页 |
| ·刀具磨损状态识别的意义 | 第13页 |
| ·刀具磨损状态识别技术概况 | 第13-15页 |
| ·刀具状态监测技术的国内外研究成果 | 第13-14页 |
| ·刀具磨损状态识别技术的发展概况 | 第14-15页 |
| ·刀具磨损状态识别方法 | 第15-16页 |
| ·声发射技术在刀具磨损检测技术中的应用 | 第16-17页 |
| ·声发射研究简史 | 第16-17页 |
| ·声发射用于刀具磨损的研究的优点 | 第17页 |
| ·本文的研究内容 | 第17-18页 |
| 第2章 声发射信号检测方法与刀具磨损 | 第18-25页 |
| ·声发射信号检测方法 | 第18-21页 |
| ·声发射信号 | 第18-19页 |
| ·频带 | 第19-20页 |
| ·刀具切削过程中的声发射信号 | 第20-21页 |
| ·声发射信号作为刀具状态监测信号 | 第21页 |
| ·刀具磨损形态 | 第21-23页 |
| ·后刀面磨损 | 第21-22页 |
| ·前刀面磨损 | 第22-23页 |
| ·边界磨损 | 第23页 |
| ·刀具的磨损过程 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 刀具磨损识别系统及实验分析 | 第25-35页 |
| ·刀具磨损识别系统的构成 | 第25-32页 |
| ·信号的采集系统 | 第25-27页 |
| ·信号在仪器中处理、控制和显示系统 | 第27-30页 |
| ·信号的后续处理方法 | 第30-32页 |
| ·刀具磨损识别算法的转化 | 第32-33页 |
| ·实验分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 刀具磨损声发射信号的特征提取 | 第35-48页 |
| ·时域分析 | 第35-36页 |
| ·频域分析 | 第36-39页 |
| ·傅里叶变换 | 第37-38页 |
| ·频域特征 | 第38-39页 |
| ·相空间重构 | 第39-41页 |
| ·奇异值分析 | 第41-42页 |
| ·核主元分析 | 第42-46页 |
| ·核主元分析算法 | 第42-43页 |
| ·基于核主元分析的特征提取 | 第43-46页 |
| ·本章小结 | 第46-48页 |
| 第5章 支持向量机对刀具磨损状态的识别 | 第48-64页 |
| ·支持向量机原理 | 第48-51页 |
| ·统计学理论 | 第48页 |
| ·学习的一致性问题 | 第48-49页 |
| ·VC 维 | 第49页 |
| ·结构风险最小化 | 第49-51页 |
| ·支持向量机 | 第51-53页 |
| ·支持向量机概述 | 第51页 |
| ·最优分类超平面 | 第51-52页 |
| ·支持向量机的分类 | 第52-53页 |
| ·支持向量机的核函数 | 第53页 |
| ·多分类支持向量机 | 第53-60页 |
| ·1-V-r 组合SVM 算法 | 第54页 |
| ·1-V-1 组合SVM 算法 | 第54-55页 |
| ·决策有向无环图分类算法 | 第55-58页 |
| ·纠错编码 | 第58-59页 |
| ·多分类支持向量机优缺点的比较 | 第59-60页 |
| ·基于支持向量机的刀具磨损状态检测 | 第60-63页 |
| ·BP 神经网络的应用 | 第60-61页 |
| ·支持向量机的应用 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第71页 |
