| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究目的和意义 | 第10-11页 |
| 1.2 故障诊断技术的研究内容和方法 | 第11-12页 |
| 1.2.1 故障诊断技术研究内容 | 第11-12页 |
| 1.2.2 故障诊断方法研究 | 第12页 |
| 1.3 基于支持向量机的故障诊断方法 | 第12-13页 |
| 1.4 啤酒生产过程工艺及设备 | 第13-16页 |
| 1.4.1 啤酒发酵过程及生产工艺 | 第13-14页 |
| 1.4.2 啤酒发酵过程装置 | 第14-15页 |
| 1.4.3 传感器故障与啤酒发酵 | 第15-16页 |
| 1.5 本文主要研究内容及论文结构安排 | 第16-18页 |
| 第2章 支持向量机理论基础及模糊C均值聚类 | 第18-29页 |
| 2.1 支持向量机 | 第18-21页 |
| 2.2 最小二乘支持向量机 | 第21-24页 |
| 2.3 核函数 | 第24-25页 |
| 2.4 支持向量机的参数寻优 | 第25-26页 |
| 2.4.1 粒子群算法 | 第25-26页 |
| 2.4.2 粒子群算法参数设定 | 第26页 |
| 2.5 模糊C均值聚类 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于最小二乘支持向量的故障诊断的研究 | 第29-39页 |
| 3.1 最小二乘支持向量机的的鲁棒性 | 第29-35页 |
| 3.1.1 加权LS-SVM算法 | 第29-30页 |
| 3.1.2 故障诊断算法步骤 | 第30-32页 |
| 3.1.3 仿真实验 | 第32-35页 |
| 3.2 最小二乘支持向量机的稀疏性 | 第35-38页 |
| 3.2.1 LS-SVM剪枝算法 | 第35-37页 |
| 3.2.2 仿真实验 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 基于粒子群优化的分段加权最小二乘支持向量机 | 第39-51页 |
| 4.1 粒子群算法与加权最小二乘支持向量机的融合 | 第39-42页 |
| 4.1.1 基于PSO优化的WLS-SVM的算法步骤 | 第39-41页 |
| 4.1.2 仿真实验 | 第41-42页 |
| 4.2 基于FCM时段划分的加权最小二乘支持向量机 | 第42-50页 |
| 4.2.1 时段划分 | 第42-45页 |
| 4.2.2 基于FCM和WLS-SVM的建模方法 | 第45-46页 |
| 4.2.3 仿真实验 | 第46-50页 |
| 4.3 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的学术论文 | 第56-57页 |
| 致谢 | 第57页 |
