基于支持向量机和免疫算法的故障检测与诊断
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-22页 |
| ·研究背景及意义 | 第9-10页 |
| ·故障诊断的研究内容和特点 | 第10-13页 |
| ·故障诊断技术的发展历程 | 第10-11页 |
| ·故障诊断的基本概念及研究内容 | 第11-12页 |
| ·故障诊断系统的性能指标 | 第12-13页 |
| ·故障诊断的研究现状 | 第13-19页 |
| ·基于解析模型的方法 | 第13-16页 |
| ·基于知识的方法 | 第16-18页 |
| ·基于信号处理的方法 | 第18-19页 |
| ·支持向量机在故障诊断中的应用 | 第19-20页 |
| ·论文的研究内容及安排 | 第20-22页 |
| 第2章 统计学习理论与支持向量机 | 第22-35页 |
| ·引言 | 第22页 |
| ·统计学习理论 | 第22-25页 |
| ·统计学习理论的基本概念 | 第22-23页 |
| ·统计学习理论的研究内容 | 第23-25页 |
| ·用于分类的支持向量机 | 第25-33页 |
| ·支持向量机的分类原理 | 第25-30页 |
| ·支持向量机的核函数 | 第30-31页 |
| ·多分类的支持向量机 | 第31-33页 |
| ·支持向量机的参数选择 | 第33-34页 |
| ·参数影响分析 | 第33页 |
| ·支持向量机的参数选择方法 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 基于免疫遗传算法和SVM的故障诊断研究 | 第35-59页 |
| ·引言 | 第35页 |
| ·免疫遗传算法基本原理和标准流程 | 第35-42页 |
| ·免疫遗传算法的基本原理 | 第35-38页 |
| ·免疫遗传算法的标准流程 | 第38-40页 |
| ·改进的免疫遗传算法及其实现 | 第40-42页 |
| ·基于MIGA-SVM的故障诊断 | 第42-47页 |
| ·基于SVM的故障诊断 | 第42-44页 |
| ·MIGA与SVM的集成策略 | 第44-45页 |
| ·基于MIGA-SVM的故障诊断实现方法 | 第45-47页 |
| ·MIGA-SVM方法在TE故障诊断中的应用 | 第47-58页 |
| ·Tennessee Eastman过程简介 | 第47-53页 |
| ·故障诊断过程及结果分析 | 第53-58页 |
| ·本章小结 | 第58-59页 |
| 第4章 基于克隆选择算法和SVM的故障诊断研究 | 第59-70页 |
| ·引言 | 第59页 |
| ·克隆选择算法基本原理和标准流程 | 第59-66页 |
| ·克隆选择算法的基本原理 | 第59-60页 |
| ·克隆选择算法的标准流程 | 第60-63页 |
| ·克隆选择算法的算子改进及实现 | 第63-66页 |
| ·MCSA-SVM方法在TE故障诊断中的应用 | 第66-68页 |
| ·本章小结 | 第68-70页 |
| 第5章 结论与展望 | 第70-72页 |
| ·本文工作总结 | 第70页 |
| ·进一步讨论和展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士期间发表的学术论文 | 第78页 |
