| 第1章 绪论 | 第1-16页 |
| 1．1 课题的提出 | 第10-11页 |
| 1．2 轴承寿命预测的发展概况 | 第11-13页 |
| 1．3 支持向量机简介 | 第13-15页 |
| 1．4 本课题研究的主要内容 | 第15-16页 |
| 第2章 数据挖掘理论与技术 | 第16-23页 |
| 2．1 数据挖掘的诞生 | 第16页 |
| 2．2 数据挖掘的定义 | 第16-17页 |
| 2．3 数据挖掘的功能模型 | 第17-18页 |
| 2．4 数据挖掘的对象 | 第18-19页 |
| 2．5 数据挖掘的处理过程 | 第19-20页 |
| 2．6 分类与预测 | 第20-21页 |
| 2．6．1 分类问题的描述 | 第20页 |
| 2．6．2 分类器构造方法 | 第20-21页 |
| 2．7 预测 | 第21页 |
| 2．8 数据挖掘与统计学习 | 第21-23页 |
| 第3章 统计学习理论与支持向量机 | 第23-42页 |
| 3．1 机器学习 | 第23-25页 |
| 3．2 统计学习理论 | 第25-29页 |
| 3．2．1 经验风险最小化原则 | 第25-26页 |
| 3．2．2 VC维 | 第26-27页 |
| 3．2．3 结构风险最小化原则 | 第27-29页 |
| 3．3 标准支持向量分类机 | 第29-37页 |
| 3．3．1 线性可分问题 | 第30-32页 |
| 3．3．2 近似线性可分问题 | 第32-34页 |
| 3．3．3 线性不可分问题 | 第34-37页 |
| 3．4 支持向量回归学习机 | 第37-42页 |
| 3．4．1 回归问题 | 第37-40页 |
| 3．4．2 支持向量回归机 | 第40-42页 |
| 第4章 轴承故障诊断方法 | 第42-49页 |
| 4．1 轴承振动信号的特征 | 第43-44页 |
| 4．1．1 正常轴承振动信号的特征 | 第43页 |
| 4．1．2 故障轴承的振动信号特征 | 第43-44页 |
| 4．2 幅值域中的故障诊断法 | 第44-46页 |
| 4．3 频域中的故障诊断法 | 第46-49页 |
| 第5章 基于支持向量机的轴承寿命预测 | 第49-59页 |
| 5．1 轴承寿命的确定以及预测的基本方法 | 第49-50页 |
| 5．2 用支持向量分类机进行轴承寿命预测 | 第50-55页 |
| 5．2．1 用支持向量分类机进行轴承寿命预测的步骤 | 第50-51页 |
| 5．2．2 样本规模的选取以及预测参数选取 | 第51页 |
| 5．2．3 核函数形式的选择 | 第51-52页 |
| 5．2．4 核函数参数与预测效果的关系 | 第52-54页 |
| 5．2．5 实验结果与分析 | 第54-55页 |
| 5．3 用支持向量回归机进行轴承寿命预测 | 第55-58页 |
| 5．3．1 用支持向量回归机进行轴承寿命预测的步骤 | 第55页 |
| 5．3．2 回归预测 | 第55-56页 |
| 5．3．3 核函数参数与预测效果的关系 | 第56页 |
| 5．3．4 实验结果与分析 | 第56-58页 |
| 5．4 回归预测与分类预测的关系 | 第58-59页 |
| 第6章 结论与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间公开发表论文 | 第64-65页 |
| 致谢 | 第65-66页 |
| 研究生履历 | 第66页 |