基于小波包支持向量机方法的结构件状态识别
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-13页 |
| ·课题研究的目的和意义 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·国外研究现状 | 第9-10页 |
| ·国内研究现状 | 第10-11页 |
| ·本文的研究内容及论文安排 | 第11-13页 |
| 第2章 结构件状态检测方法 | 第13-24页 |
| ·振动测试概论 | 第13页 |
| ·振动系统的力学模型 | 第13-18页 |
| ·单自由度系统 | 第13-17页 |
| ·多自由度系统 | 第17-18页 |
| ·声学共振谱方法与锤击法的实验比较 | 第18-23页 |
| ·锤击法介绍 | 第18页 |
| ·声学共振谱（ARS）方法介绍 | 第18-19页 |
| ·实验比较 | 第19-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 声学共振谱特征的小波包提取方法 | 第24-41页 |
| ·引言 | 第24-25页 |
| ·小波理论 | 第25-36页 |
| ·连续小波变换 | 第25-26页 |
| ·离散小波变换 | 第26页 |
| ·多分辨分析 | 第26-27页 |
| ·信号分解与重构的Mallat 算法 | 第27-30页 |
| ·小波包分析 | 第30-33页 |
| ·基于小波的阈值消噪方法 | 第33-36页 |
| ·基于小波包分解的声学共振谱信号特征提取方法 | 第36-40页 |
| ·基于小波包的频带能量特征提取 | 第36-38页 |
| ·基于小波包分解及奇异值分解的特征值提取方法 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 结构件状态识别方法 | 第41-68页 |
| ·引言 | 第41-42页 |
| ·统计学习理论 | 第42-45页 |
| ·机器学习理论 | 第42页 |
| ·经验风险最小化原则 | 第42-43页 |
| ·统计学习理论研究的主要内容 | 第43-45页 |
| ·支持向量机理论 | 第45-54页 |
| ·基本概念 | 第46-47页 |
| ·线性支持向量机 | 第47-50页 |
| ·非线性支持向量机 | 第50-51页 |
| ·核函数 | 第51-53页 |
| ·支持向量机分类方法 | 第53-54页 |
| ·神经网络模式识别方法 | 第54-57页 |
| ·BP 神经网络的结构 | 第55-56页 |
| ·BP 网络的学习规则 | 第56-57页 |
| ·实验与结果分析 | 第57-66页 |
| ·本章小结 | 第66-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读学位期间发表的学术论文 | 第73-75页 |
| 致谢 | 第75-76页 |
| 个人简历 | 第76页 |
