基于小波分析和SVDD的工程机械故障诊断研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 插图索引 | 第9-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| ·课题来源 | 第12页 |
| ·研究背景及意义 | 第12页 |
| ·机械故障诊断研究综述 | 第12-15页 |
| ·机械故障诊断的研究内容 | 第12-13页 |
| ·机械故障诊断的方法 | 第13-15页 |
| ·智能诊断技术国内外研究现状 | 第15-18页 |
| ·专家系统诊断技术的研究现状 | 第15页 |
| ·神经网络诊断技术的研究现状 | 第15-16页 |
| ·支持向量机诊断技术的研究现状 | 第16-17页 |
| ·支持向量数据描述诊断技术的研究现状 | 第17-18页 |
| ·课题主要研究内容 | 第18页 |
| ·论文结构 | 第18-20页 |
| 第2章 小波分析理论及信息处理 | 第20-27页 |
| ·引言 | 第20页 |
| ·小波分析基本理论 | 第20-23页 |
| ·傅里叶变换与短时傅里叶变换 | 第20-21页 |
| ·小波变换及小波包变换 | 第21-23页 |
| ·基于小波变换的信号去噪 | 第23-25页 |
| ·小波去噪原理及典型算法 | 第23-24页 |
| ·小波变换模极大值去噪算法 | 第24-25页 |
| ·基于小波包的特征信息提取处理 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第3章 统计学习理论及支持向量机 | 第27-37页 |
| ·引言 | 第27页 |
| ·机器学习问题概述 | 第27-29页 |
| ·机器学习问题描述 | 第27-28页 |
| ·机器学习的发展概况 | 第28-29页 |
| ·统计学习理论 | 第29-32页 |
| ·学习性能指标 | 第29-30页 |
| ·VC 维和推广性的界 | 第30-31页 |
| ·结构风险最小化 | 第31-32页 |
| ·支持向量机 | 第32-36页 |
| ·支持向量机的基本思想 | 第32-33页 |
| ·线性支持向量机 | 第33-34页 |
| ·核函数技术 | 第34-36页 |
| ·非线性支持向量机 | 第36页 |
| ·小结 | 第36-37页 |
| 第4章 基于 SVDD 的动态故障诊断方法 | 第37-50页 |
| ·单分类方法概述 | 第37-39页 |
| ·支持向量数据描述基本理论 | 第39-41页 |
| ·基于支持向量数据描述的多分类问题 | 第41-45页 |
| ·基于相对距离判别的多分类方法 | 第41-42页 |
| ·惩罚因子和核参数的影响 | 第42-45页 |
| ·基于球边界偏移判别的未知样本识别 | 第45-47页 |
| ·基于空间分布聚类的无监督学习 | 第47-48页 |
| ·无监督学习与聚类 | 第47页 |
| ·常用聚类算法 | 第47-48页 |
| ·基于空间分布的聚类学习 | 第48页 |
| ·小结 | 第48-50页 |
| 第5章 混凝土泵车液压泵故障诊断实验研究 | 第50-61页 |
| ·实验设备介绍 | 第50-52页 |
| ·液压泵多类故障诊断实验 | 第52-59页 |
| ·信号去噪实验及分析 | 第52-54页 |
| ·特征信息提取实验 | 第54-57页 |
| ·故障诊断实验及结果 | 第57-59页 |
| ·小结 | 第59-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第67-68页 |
| 附录B 攻读学位期间参加的科研项目 | 第68页 |
