| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 国内外研究历史与现状 | 第10-13页 |
| 1.2.1 基于支撑向量机的状态检测的国内外研究现状 | 第10-12页 |
| 1.2.2 统计学习理论及支撑向量机 | 第12-13页 |
| 1.3 本文的主要贡献与创新 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-16页 |
| 第二章 卫星姿控系统主要理论 | 第16-24页 |
| 2.1 卫星姿态系统框图 | 第16页 |
| 2.2 卫星姿态运动学与动力学基础 | 第16-22页 |
| 2.2.1 常用坐标系 | 第16-17页 |
| 2.2.2 姿态描述法 | 第17-20页 |
| 2.2.3 卫星的姿态运动学的建模 | 第20-21页 |
| 2.2.4 卫星的姿态动力学的建模 | 第21-22页 |
| 2.3 卫星故障分析 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 支撑向量机的理论与粒子群参数优化方法 | 第24-41页 |
| 3.1 统计学习理论与支撑向量机原理 | 第24-31页 |
| 3.1.1 机器学习理论 | 第24-25页 |
| 3.1.2 统计学习理论 | 第25-27页 |
| 3.1.3 支撑向量机 | 第27-31页 |
| 3.2 基本粒子群算法 | 第31-39页 |
| 3.2.1 基本粒子群 | 第31-33页 |
| 3.2.2 粒子群算法的优化 | 第33-39页 |
| 3.3 支撑向量机模型的参数优化 | 第39-40页 |
| 3.3.1 参数优化问题 | 第39页 |
| 3.3.2 参数优化模型 | 第39-40页 |
| 3.4 基于粒子群优化的支撑向量机模型的参数选取 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于经验模态分解的卫星特征信号的提取与检测 | 第41-55页 |
| 4.1 基于EMD和信息熵的状态信息提取方法 | 第41-54页 |
| 4.1.1 EMD方法的基本理论 | 第41-46页 |
| 4.1.2 信息熵的基本理论 | 第46页 |
| 4.1.3 经验模态分解与能量熵阈值计算 | 第46-51页 |
| 4.1.4 对卫星状态信息进行提取 | 第51-54页 |
| 4.2 本章小结 | 第54-55页 |
| 第五章 基于支撑向量机的故障观测器的特征提取方法 | 第55-75页 |
| 5.1 引言 | 第55页 |
| 5.2 问题描述 | 第55-56页 |
| 5.2.1 故障观测器 | 第55-56页 |
| 5.3 支撑向量机回归 | 第56-60页 |
| 5.3.1 改进的支撑向量机回归 | 第58-60页 |
| 5.4 优化算法的仿真 | 第60-64页 |
| 5.5 基于优化的支撑向量机的故障检测器的仿真验证 | 第64-74页 |
| 5.5.1 改进的支撑向量机对卫星状态的检测 | 第64-67页 |
| 5.5.2 基于EMD和改进支撑向量机对卫星状态的检测 | 第67-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 基于参数优化支撑向量机与符号熵的特征提取与检测 | 第75-87页 |
| 6.1 符号熵处理理论 | 第75-78页 |
| 6.1.1 时间序列的符号化 | 第75-77页 |
| 6.1.2 符号序列的总体特征表征—Shannon熵 | 第77-78页 |
| 6.2 仿真验证 | 第78-86页 |
| 6.2.1 卫星信号的符号熵提取 | 第79-83页 |
| 6.2.2 基于支撑向量机的模式识别 | 第83-86页 |
| 6.3 本章小结 | 第86-87页 |
| 第七章 全文总结与展望 | 第87-89页 |
| 7.1 全文总结 | 第87页 |
| 7.2 后续工作展望 | 第87-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-93页 |
