| 摘要 | 第1-8页 |
| Abstract | 第8-11页 |
| 目录 | 第11-15页 |
| Contents | 第15-19页 |
| 第1章 绪论 | 第19-38页 |
| ·课题背景及研究的目的和意义 | 第19-21页 |
| ·故障诊断方法和预测方法的国内外研究现状 | 第21-30页 |
| ·故障诊断方法 | 第21-27页 |
| ·预测方法研究现状 | 第27-29页 |
| ·故障诊断与预测方法的总结研究 | 第29-30页 |
| ·支持向量机研究现状 | 第30-34页 |
| ·求解算法的研究 | 第30-31页 |
| ·模型研究 | 第31-34页 |
| ·应用研究 | 第34页 |
| ·SVM中需要研究的问题 | 第34-35页 |
| ·论文主要工作及结构安排 | 第35-38页 |
| ·论文的主要工作 | 第35-36页 |
| ·论文的结构安排 | 第36-38页 |
| 第2章 支持向量机基本理论 | 第38-58页 |
| ·统计学习基本理论 | 第38-42页 |
| ·机器学习 | 第38-39页 |
| ·VC维 | 第39页 |
| ·推广性界理论 | 第39-41页 |
| ·结构风险最小化原则 | 第41-42页 |
| ·支持向量分类机 | 第42-44页 |
| ·线性支持向量分类机 | 第42-43页 |
| ·非线性支持向量分类机 | 第43-44页 |
| ·支持向量回归机 | 第44-48页 |
| ·线性支持向量回归机 | 第44-47页 |
| ·非线性支持向量回归机 | 第47-48页 |
| ·支持向量 | 第48-49页 |
| ·支持向量机模型的建立 | 第49-50页 |
| ·训练集的选择 | 第49页 |
| ·训练特征的选择 | 第49页 |
| ·核函数的选择 | 第49-50页 |
| ·模型参数的选择 | 第50页 |
| ·支持向量机在故障诊断中的应用 | 第50-53页 |
| ·支持向量机在回归预测中的应用 | 第53-57页 |
| ·本章小结 | 第57-58页 |
| 第3章 基于遗传算法的支持向量机不平衡样本问题的研究 | 第58-66页 |
| ·不平衡样本问题 | 第58-59页 |
| ·遗传算法 | 第59-60页 |
| ·基于遗传算法的不平衡样本问题研究 | 第60-62页 |
| ·父代样本的选择 | 第60页 |
| ·子代样本评价方法 | 第60-61页 |
| ·基于遗传算法的不平衡样本问题研究 | 第61-62页 |
| ·实验研究 | 第62-64页 |
| ·本章小结 | 第64-66页 |
| 第4章 经验模态分解及其虚假分量识别的研究 | 第66-80页 |
| ·经验模态分解 | 第66-71页 |
| ·非平稳信号及窗函数 | 第66-68页 |
| ·本证模态函数 | 第68页 |
| ·经验模态分解方法 | 第68-71页 |
| ·经验模态分解虚假分量识别方法的研究方法 | 第71-74页 |
| ·经验模态分解中虚假分量的问题 | 第71-72页 |
| ·K-L散度基本理论 | 第72-73页 |
| ·基于K-L散度的经验模态分解虚假分量识别方法的研究 | 第73-74页 |
| ·方法的实验验证 | 第74-79页 |
| ·Chirp信号 | 第74-76页 |
| ·平稳正弦信号叠加 | 第76-77页 |
| ·其他算例 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 第5章 经验模态分解在故障特征分析中的应用 | 第80-95页 |
| ·引言 | 第80页 |
| ·EMD在转子模拟实验台振动分析中的应用 | 第80-85页 |
| ·油膜涡动故障试验分析 | 第80-82页 |
| ·局部碰摩故障试验分析 | 第82-85页 |
| ·EMD在实际管道振动分析中的应用 | 第85-94页 |
| ·本章小结 | 第94-95页 |
| 第6章 基于SVM的旋转设备振动故障诊断 | 第95-113页 |
| ·引言 | 第95-96页 |
| ·基于SVM的智能诊断模型 | 第96-97页 |
| ·基于频谱特征的SVM故障诊断方法 | 第97-104页 |
| ·基于频谱特征的SVM故障诊断方法步骤 | 第97页 |
| ·实验分析 | 第97-104页 |
| ·基于EMD的SVM故障诊断方法 | 第104-112页 |
| ·基于EMD的SVM故障诊断方法及步骤 | 第104-105页 |
| ·实验分析 | 第105-112页 |
| ·本章小结 | 第112-113页 |
| 第7章 基于支持向量机状态预报方法的研究 | 第113-134页 |
| ·引言 | 第113页 |
| ·基于信息熵的支持向量机训练样本长度选择 | 第113-123页 |
| ·大规模训练样本问题以及现有方法 | 第113-114页 |
| ·信息熵 | 第114-116页 |
| ·基于信息熵的训练样本长度选择 | 第116-118页 |
| ·实例研究 | 第118-123页 |
| ·基于经验模态分解的支持向量机特征选取方法 | 第123-128页 |
| ·模型训练特征的选取 | 第123页 |
| ·相空间重构在特征选取中的应用 | 第123-124页 |
| ·基于经验模态分解的支持向量机特征选择方法 | 第124-125页 |
| ·实例研究 | 第125-128页 |
| ·基于SVM的预报模型应用研究 | 第128-133页 |
| ·预测模型结构 | 第128-129页 |
| ·工程应用实例 | 第129-133页 |
| ·本章小结 | 第133-134页 |
| 第8章 结论与展望 | 第134-137页 |
| ·论文总结 | 第134-136页 |
| ·研究展望 | 第136-137页 |
| 参考文献 | 第137-147页 |
| 攻读博士学位期间发表的论文及其它成果 | 第147-149页 |
| 攻读博士学位期间参加的科研工作 | 第149-150页 |
| 致谢 | 第150-151页 |
| 作者简介 | 第151页 |