| 中文摘要 | 第1页 |
| 英文摘要 | 第2-5页 |
| 第一章 绪论 | 第5-11页 |
| ·选题意义 | 第5-6页 |
| ·汽轮发电机组故障诊断系统及诊断技术的研究现状 | 第6-10页 |
| ·汽轮发电机组故障诊断系统的国内外发展情况 | 第6-8页 |
| ·汽轮发电机组故障诊断技术的研究现状 | 第8-10页 |
| ·本论文的安排和主要工作 | 第10-11页 |
| 第二章 汽轮发电机组故障诊断的模式识别方法 | 第11-18页 |
| ·模式识别基本原理 | 第11-14页 |
| ·模式和模式识别的概念 | 第11-12页 |
| ·模式识别系统 | 第12-13页 |
| ·模式识别的发展和应用 | 第13-14页 |
| ·基于模式识别的汽轮发电机组故障诊断 | 第14-16页 |
| ·一种新的模式识别方法--支持向量机 | 第16-18页 |
| 第三章 故障信号特征的选择与提取 | 第18-29页 |
| ·基本概念 | 第18页 |
| ·特征选择与特征提取 | 第18-19页 |
| ·离散K-L变换及其性质 | 第19-23页 |
| ·基于主成分分析方法的特征提取 | 第23-26页 |
| ·仿真试验 | 第26-29页 |
| 第四章 小样本统计学习理论和支持向量机 | 第29-45页 |
| ·研究背景 | 第29-30页 |
| ·机器学习问题的基本理论 | 第30-34页 |
| ·机器学习问题的表示 | 第30-31页 |
| ·经验风险最小化原则 | 第31-33页 |
| ·学习机器的复杂性与推广能力 | 第33-34页 |
| ·统计学习理论 | 第34-37页 |
| ·VC维 | 第34-35页 |
| ·推广性的界理论 | 第35-36页 |
| ·结构风险最小化原则 | 第36-37页 |
| ·支持向量机 | 第37-42页 |
| ·SVM机器学习算法的发展历史、现状及其不足 | 第38-39页 |
| ·最优分类面及广义最优分类面 | 第39-40页 |
| ·支持向量机分类算法推导 | 第40-42页 |
| ·核函数 | 第42页 |
| ·支持向量机与其它线性分类器的性能比较(仿真试验) | 第42-45页 |
| 第五章 基于SVM的DTSVM多类故障分类算法在汽轮发电机组故障诊断中的应用 | 第45-58页 |
| ·支持向量机用于故障诊断的算法实现 | 第45-47页 |
| ·基于DTSVM的多级SVM分类器 | 第47-50页 |
| ·针对多类别分类的常用的几种方案 | 第47-48页 |
| ·基于决策树的多类支持向量机(DTSVM) | 第48-50页 |
| ·基于DTSVM多类故障分类算法的汽轮发电机组故障诊断 | 第50-58页 |
| ·汽轮发电机组振动信号预处理(频谱分析) | 第51页 |
| ·基于PCA的振动信号特征提取 | 第51-53页 |
| ·基于DTSVM的汽轮发电机组故障诊断系统的训练过程 | 第53-55页 |
| ·基于DTSVM的汽轮发电机组故障诊断系统的测试过程 | 第55-58页 |
| 第六章 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 在学期间发表的学术论文和参加科研情况 | 第64页 |
