支持向量机在智能故障诊断中的应用研究
| 中文摘要 | 第1页 |
| 英文摘要 | 第3-6页 |
| 第一章 前言 | 第6-11页 |
| ·概述 | 第6-7页 |
| ·故障诊断的发展历程 | 第7-8页 |
| ·机器学习概述 | 第8-10页 |
| ·本文研究的主要内容 | 第10页 |
| ·本章小结 | 第10-11页 |
| 第二章 统计学理论与支持向量机 | 第11-23页 |
| ·前言 | 第11页 |
| ·统计学习理论 | 第11-14页 |
| ·VC 维 | 第12页 |
| ·推广性的界 | 第12-13页 |
| ·结构风险最小化 | 第13-14页 |
| ·支持向量机 | 第14-19页 |
| ·最优分类超平面 | 第15-18页 |
| ·核函数 | 第18-19页 |
| ·支持向量机的多分类算法 | 第19-22页 |
| ·‘一对多’算法 | 第19-20页 |
| ·“一对一”算法 | 第20-21页 |
| ·基于二叉树的多类支持向量机分类方法 | 第21页 |
| ·SVM 决策树法 | 第21-22页 |
| ·小结 | 第22-23页 |
| 第三章 特征值提取及 SVM 程序实现 | 第23-32页 |
| ·前言 | 第23-24页 |
| ·信号处理的一般方法 | 第24-27页 |
| ·时域分析法 | 第24-26页 |
| ·频域分析法 | 第26-27页 |
| ·支持向量机二值分类算法程序实现 | 第27-30页 |
| ·程序流程图 | 第27-28页 |
| ·Tunelssvm 函数类 | 第28-29页 |
| ·Trainlssvm 函数类 | 第29页 |
| ·Simlssvm 函数类 | 第29-30页 |
| ·支持向量机‘一对多’分类算法的程序实现 | 第30-31页 |
| ·程序流程图 | 第30页 |
| ·Initlssvm 函数 | 第30-31页 |
| ·Plotlssvm 函数 | 第31页 |
| ·小结 | 第31-32页 |
| 第四章 支持向量机二分类算法应用 | 第32-41页 |
| ·风机滚动轴承数据分析 | 第32-33页 |
| ·时域特征值的 SVM 分类 | 第33-38页 |
| ·频域特征值的 SVM 分类 | 第38-40页 |
| ·小结 | 第40-41页 |
| 第五章 支持向量机多分类算法的应用 | 第41-51页 |
| ·工业风机轴承故障的多分类 | 第41-42页 |
| ·针对滚动轴承的多故障分类 | 第42-45页 |
| ·试验描述 | 第42-43页 |
| ·信号时域分析 | 第43-44页 |
| ·分类结果 | 第44-45页 |
| ·齿轮裂纹的多故障分类 | 第45-50页 |
| ·试验描述 | 第45页 |
| ·信号频域时域波形图 | 第45-47页 |
| ·SVM 时域分析 | 第47页 |
| ·SVM 滤波后时域分析 | 第47-49页 |
| ·SVM 频域分析 | 第49-50页 |
| ·小结 | 第50-51页 |
| 第六章 结论及展望 | 第51-53页 |
| ·结论 | 第51页 |
| ·展望 | 第51-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55-56页 |
| 在学期间发表论文和参加科研情况 | 第56页 |
