基于最小二乘支持向量机的数控机床热误差建模的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-15页 |
| ·课题提出背景和意义 | 第8-9页 |
| ·课题的研究背景 | 第8-9页 |
| ·课题研究的意义 | 第9页 |
| ·数控机床热误差的研究动态 | 第9-13页 |
| ·减少数控机床热误差的主要方法 | 第9-11页 |
| ·国内外热误差补偿技术的研究现状 | 第11-12页 |
| ·利用支持向量机进行热误差建模 | 第12-13页 |
| ·本论文的课题来源和研究内容 | 第13-15页 |
| ·课题来源 | 第13页 |
| ·研究内容 | 第13-15页 |
| 第二章 统计学习理论与支持向量机 | 第15-34页 |
| ·机器学习的基础知识 | 第15-17页 |
| ·机器学习问题的表述 | 第15-16页 |
| ·经验风险最小化原则 | 第16-17页 |
| ·统计学习理论的基本理论 | 第17-21页 |
| ·VC维 | 第18页 |
| ·推广性的界 | 第18-20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·最优超平面和支持向量机 | 第21-27页 |
| ·最优超平面及其构造 | 第22-26页 |
| ·支持向量机 | 第26-27页 |
| ·支持向量回归机 | 第27-33页 |
| ·ε不敏感损失函数 | 第27-28页 |
| ·线性支持向量回归机 | 第28-30页 |
| ·非线性支持向量回归机 | 第30-31页 |
| ·核函数 | 第31-33页 |
| ·标准支持向量机的改进 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第三章 最小二乘支持向量机 | 第34-46页 |
| ·LS-SVM | 第34-36页 |
| ·LS-SVM的特性 | 第36-38页 |
| ·具有稀疏性的LS-SVM | 第38-39页 |
| ·具有鲁棒性的LS-SVM | 第39-42页 |
| ·LS-SVM建模的参数选择 | 第42-45页 |
| ·交叉确认(CV)法 | 第42-43页 |
| ·改进的Loo-CV确定参数 | 第43页 |
| ·网格搜索法寻找最优参数 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 数控机床热误差检测实验 | 第46-53页 |
| ·实验设备 | 第46-47页 |
| ·数控机床 | 第46-47页 |
| ·温度采集系统 | 第47页 |
| ·微位移传感器 | 第47页 |
| ·实验方案和实验数据 | 第47-52页 |
| ·实验方案 | 第47-50页 |
| ·实验数据 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 LS-SVM的热误差建模与分析 | 第53-76页 |
| ·实验数据的处理 | 第53-54页 |
| ·建模参数的选择 | 第54-59页 |
| ·用改进的Loo-CV进行参数选择 | 第55-56页 |
| ·用网格搜索法进行参数选择 | 第56-59页 |
| ·LS-SVM建模的实现 | 第59-68页 |
| ·LS-SVM初始建模 | 第59-62页 |
| ·鲁棒性建模训练 | 第62-63页 |
| ·稀疏性建模训练 | 第63-65页 |
| ·LS-SVM建模的流程、结果和模型结构图 | 第65-68页 |
| ·建模的数据分析 | 第68-75页 |
| ·LS-SVM建模中数据的残差分析 | 第68-73页 |
| ·最小二乘法热误差建模 | 第73-74页 |
| ·两种建模方法比较 | 第74-75页 |
| ·本章小结 | 第75-76页 |
| 第六章 结论与展望 | 第76-78页 |
| ·结论 | 第76-77页 |
| ·展望 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间参加科研情况 | 第84-85页 |
| 致谢 | 第85页 |
