基于支持向量机的小样本故障诊断
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·、机械设备故障诊断的意义 | 第7-8页 |
| ·、传统故障信号处理方法的研究 | 第8页 |
| ·、智能故障诊断(机器学习)与小样本问题 | 第8-9页 |
| ·、智能故障诊断的方法研究 | 第8-9页 |
| ·、智能故障诊断中的小样本问题 | 第9页 |
| ·、统计学习理论与支持向量机 | 第9-10页 |
| ·、支持向量机的国内外研究现状 | 第10-11页 |
| ·、文字手写体识别 | 第10页 |
| ·、人脸检测、验证和识别 | 第10页 |
| ·、函数逼近 | 第10页 |
| ·、机械故障智能诊断 | 第10-11页 |
| ·、其它方面的研究 | 第11页 |
| ·、本课题的选题意义、研究内容 | 第11-13页 |
| ·、本课题的选题意义 | 第11页 |
| ·、研究内容 | 第11-13页 |
| 第二章 支持向量机的理论基础 | 第13-21页 |
| ·、传统的机器学习方法 | 第13-15页 |
| ·、机器学习的基本问题 | 第13-14页 |
| ·、经验风险最小化（ERM） | 第14页 |
| ·、复杂性与推广能力 | 第14-15页 |
| ·、统计学习理论 | 第15-18页 |
| ·、统计学习理论的基本内容 | 第15页 |
| ·、VC 维 | 第15-16页 |
| ·、生长函数的性质及与VC维的关系 | 第16-17页 |
| ·、推广性的界 | 第17页 |
| ·、结构风险最小化 | 第17-18页 |
| ·、支持向量机（SVM） | 第18-20页 |
| ·、SVM 的优点 | 第19页 |
| ·、SVM 的核函数 | 第19-20页 |
| ·、本章小结 | 第20-21页 |
| 第三章 SVM的分类算法及工程应用 | 第21-39页 |
| ·、SVM的分类原理及算法 | 第21-24页 |
| ·、广义最优分类面 | 第21-24页 |
| ·、留一交叉验证方法 | 第24页 |
| ·、分类错误率 | 第24页 |
| ·仿真试验 | 第24-28页 |
| ·、采用自制实验数据 | 第24-27页 |
| ·、采用IRIS实验数据 | 第27-28页 |
| ·、应用研究 | 第28-38页 |
| ·、信号的时频分析 | 第29-32页 |
| ·、特征值的提取 | 第32-33页 |
| ·、两类数据分类实验 | 第33-34页 |
| ·、多类数据分类实验 | 第34-35页 |
| ·、几种分类方法分类性能的比较 | 第35-38页 |
| ·、本章小结 | 第38-39页 |
| 第四章 SVM的回归算法及工程应用 | 第39-55页 |
| ·、SVM的回归原理及算法 | 第39-42页 |
| ·、线性SVM的回归 | 第39-42页 |
| ·、非线性SVM的回归 | 第42页 |
| ·、基于SVM的机械故障预测 | 第42-43页 |
| ·、几种常见的预测模型 | 第43-44页 |
| ·、ARMA模型 | 第43页 |
| ·、AR模型 | 第43-44页 |
| ·、预测模型的定阶准则 | 第44-45页 |
| ·、预测模型的评价准则与误差的评价指标 | 第45-47页 |
| ·、预测模型的评价准则 | 第45-46页 |
| ·、误差的评价指标 | 第46-47页 |
| ·、仿真实验 | 第47-51页 |
| ·、lorenz方程 | 第47页 |
| ·、核函数及其参数的选择 | 第47页 |
| ·、参数的确定及预测效果 | 第47-51页 |
| ·、应用研究 | 第51-54页 |
| ·、数据模型的建立 | 第52页 |
| ·、SVM模型与AR模型预测效果 | 第52-54页 |
| ·、本章小结 | 第54-55页 |
| 第五章 结论与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
