| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究的意义和目的 | 第11-12页 |
| 1.1.1 论文研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 相关方面研究现状 | 第12-17页 |
| 1.2.1 相关向量机的研究现状 | 第12-14页 |
| 1.2.2 相关向量机在机械故障诊断中的研究 | 第14页 |
| 1.2.3 液压系统故障诊断技术的研究现状 | 第14-17页 |
| 1.3 本文研究的研究内容与论文结构 | 第17-19页 |
| 1.3.1 研究主要内容 | 第17页 |
| 1.3.2 论文的主要结构 | 第17-19页 |
| 第二章 相关向量机理论 | 第19-27页 |
| 2.1 统计学习理论 | 第19-25页 |
| 2.1.1 贝叶斯统计理论 | 第19-20页 |
| 2.1.2 机器学习的基本思想 | 第20-23页 |
| 2.1.3 VC维 | 第23-25页 |
| 2.2 相关向量机的基本原理 | 第25-26页 |
| 2.2.1 相关向量机分类模型 | 第25-26页 |
| 2.2.2 相关向量机的核函数 | 第26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于EEMD-MSE的捣固车液压系统故障信号特征提取 | 第27-37页 |
| 3.1 经验模态分解 | 第27-29页 |
| 3.1.1 EMD原理 | 第28页 |
| 3.1.2 EMD存在的问题 | 第28-29页 |
| 3.2 总体平均经验模态分解(EEMD) | 第29-30页 |
| 3.3 多尺度熵理论分析 | 第30-32页 |
| 3.3.1 样本熵的定义 | 第30页 |
| 3.3.2 参数的选取 | 第30-31页 |
| 3.3.3 多尺度熵的计算 | 第31-32页 |
| 3.4 基于EEMD与多尺度熵的捣固车液压系统故障特征提取中的应用 | 第32-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于改进的自适应遗传算法的核函数参数优化 | 第37-47页 |
| 4.1 遗传算法 | 第37-40页 |
| 4.1.1 遗传算法原理 | 第37-38页 |
| 4.1.2 遗传算法的优点与不足 | 第38-40页 |
| 4.2 遗传算法的改进 | 第40-42页 |
| 4.2.1 自适应遗传算法(AGA) | 第40-41页 |
| 4.2.2 改进的自适应遗传算法(IAGA) | 第41-42页 |
| 4.3 相关向量机的核参数优化 | 第42-44页 |
| 4.3.1 种群编码和选择算子 | 第42-43页 |
| 4.3.2 交叉与变异算子 | 第43页 |
| 4.3.3 适应度函数的设计 | 第43-44页 |
| 4.4 仿真分析 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 基于IAGA算法优化的RVM在捣固车液压系统故障诊断中的应用 | 第47-57页 |
| 5.1 基于RVM多类分类方法 | 第47-51页 |
| 5.1.1 一对多(One Against Rest,OAR)分类方法 | 第47-49页 |
| 5.1.2 一对一(One Against One,OAO)分类方法 | 第49-50页 |
| 5.1.3 "二叉树"分类法 | 第50-51页 |
| 5.2 改进的自适应遗传算法优化相关向量机的流程与步骤 | 第51-53页 |
| 5.3 仿真实验分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结和展望 | 第57-59页 |
| 6.1 结论及主要完成的工作 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录A 攻读学位期间发表论文与软件著作权目录 | 第65-67页 |
| 附录B 攻读学位期间参与的研究工作 | 第67页 |
