| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 论文的研究背景和意义 | 第9-10页 |
| 1.2 PHM国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 支持向量机国内外研究现状 | 第12-13页 |
| 1.3.1 国外研究现状 | 第12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 第2章 基础知识 | 第14-29页 |
| 2.1 健康管理技术概述 | 第14-16页 |
| 2.1.1 故障诊断技术 | 第15-16页 |
| 2.1.2 故障预测技术 | 第16页 |
| 2.2 统计学习理论概述 | 第16-19页 |
| 2.2.1 经验风险最小化原则 | 第16-17页 |
| 2.2.2 结构风险最小化原则 | 第17-19页 |
| 2.3 支持向量机模型 | 第19-28页 |
| 2.3.1 最大间隔模型 | 第20-22页 |
| 2.3.2 支持向量分类机 | 第22-25页 |
| 2.3.3 支持向量回归机 | 第25-27页 |
| 2.3.4 核函数 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 支持向量分类机改进算法 | 第29-38页 |
| 3.1 可变惩罚因子简介 | 第29页 |
| 3.2 可变惩罚因子改进支持向量分类机 | 第29-35页 |
| 3.3 基于可变惩罚因子的最小二乘支持向量机 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 改进支持向量分类机算法及在故障诊断中的应用 | 第38-46页 |
| 4.1 遗传算法改进支持向量分类机 | 第38-40页 |
| 4.2 多分类的GAVPF-LSSVCM算法 | 第40-43页 |
| 4.2.1 多分类支持向量机简介 | 第40-42页 |
| 4.2.2 基于二叉树的GAVPF-LSSVCM算法 | 第42-43页 |
| 4.3 故障诊断应用实例 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 改进支持向量回归机算法及在故障预测中的应用 | 第46-58页 |
| 5.1 最小二乘支持向量回归机改进算法 | 第46-54页 |
| 5.1.1 迭代误差补偿简介 | 第46页 |
| 5.1.2 基于迭代误差补偿的最小二乘支持向量机 | 第46-48页 |
| 5.1.3 迭代误差补偿的最小二乘支持向量机预测算法 | 第48-49页 |
| 5.1.4 试验仿真及分析 | 第49-54页 |
| 5.2 IEC-LSSVR故障预测实例 | 第54-57页 |
| 5.2.1 导弹动力系统故障预测实例 | 第54-55页 |
| 5.2.2 飞机故障率预测 | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第65-66页 |
| 致谢 | 第66-67页 |
| 附录 | 第67-71页 |
