| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5页 |
| 第一章 绪论 | 第10-23页 |
| 1.1 选题背景及意义 | 第10-12页 |
| 1.2 故障智能诊断中的机器学习 | 第12-15页 |
| 1.2.1 机器学习概述 | 第12-14页 |
| 1.2.2 故障智能诊断 | 第14-15页 |
| 1.3 统计学习理论与故障诊断 | 第15-20页 |
| 1.3.1 故障诊断中的小样本问题 | 第15-16页 |
| 1.3.2 支持向量机的优点 | 第16-17页 |
| 1.3.3 统计学习理论的研究与应用 | 第17-18页 |
| 1.3.4 支持向量机算法在故障智能诊断中的研究现状 | 第18-20页 |
| 1.4 本文的研究内容和结构安排 | 第20-23页 |
| 第二章 统计学习理论和支持向量机 | 第23-37页 |
| 2.1 引言 | 第23-24页 |
| 2.2 机器学习问题的基本理论 | 第24-28页 |
| 2.2.1 机器学习问题的表示 | 第24-25页 |
| 2.2.2 经验风险最小化原则 | 第25-27页 |
| 2.2.3 学习机器的复杂性与推广能力 | 第27-28页 |
| 2.3 统计学习理论 | 第28-32页 |
| 2.3.1 VC维 | 第28-29页 |
| 2.3.2 推广性的界理论 | 第29-30页 |
| 2.3.3 结构风险最小化原则 | 第30-32页 |
| 2.4 支持向量机 | 第32-36页 |
| 2.4.1 最优超平面的构造 | 第32-35页 |
| 2.4.2 支持向量机分类算法推导 | 第35页 |
| 2.4.3 核函数 | 第35-36页 |
| 2.5 小结 | 第36-37页 |
| 第三章 基于主成分分析的故障特征提取 | 第37-51页 |
| 3.1 模式识别与机器学习 | 第37-39页 |
| 3.2 特征提取基本概念 | 第39-42页 |
| 3.2.1 特征数据的压缩问题 | 第39-40页 |
| 3.2.2 特征维数与识别率的关系 | 第40-41页 |
| 3.2.3 特征选择与特征提取 | 第41-42页 |
| 3.3 基于主成分分析方法的特征提取 | 第42-46页 |
| 3.3.1 主成分分析算法 | 第43-45页 |
| 3.3.2 主成分的特性 | 第45页 |
| 3.3.3 主成分的贡献率 | 第45-46页 |
| 3.4 仿真研究 | 第46-50页 |
| 3.4.1 基于模式识别技术的汽轮机故障诊断 | 第46-47页 |
| 3.4.2 主成分分析用于汽轮机故障样本特征提取 | 第47-50页 |
| 3.5 小结 | 第50-51页 |
| 第四章 模糊理论在支持向量机中的应用 | 第51-67页 |
| 4.1 引言 | 第51-53页 |
| 4.2 模糊判决支持向量机 | 第53-60页 |
| 4.2.1 最大隶属原则 | 第53-54页 |
| 4.2.2 风险及损失函数 | 第54-55页 |
| 4.2.3 基于损失的模糊隶属度 | 第55-56页 |
| 4.2.4 1取值对隶属函数和分类面的影响 | 第56页 |
| 4.2.5 仿真研究 | 第56-60页 |
| 4.3 模糊样本支持向量机 | 第60-63页 |
| 4.3.1 基本思想 | 第60-61页 |
| 4.3.2 FS-SVM算法推导 | 第61-62页 |
| 4.3.3 仿真研究 | 第62-63页 |
| 4.4 FJ-SVM与FS-SVM的比较 | 第63-66页 |
| 4.4.1 基于损失函数的FS-SVM算法 | 第63-64页 |
| 4.4.2 分类结果比较 | 第64-66页 |
| 4.5 小结 | 第66-67页 |
| 第五章 多类支持向量机算法 | 第67-78页 |
| 5.1 引言 | 第67页 |
| 5.2 DDAG架构及DAGSVM算法 | 第67-72页 |
| 5.2.1 算法说明 | 第67-69页 |
| 5.2.2 DAGSVM在振动故障诊断中的应用 | 第69-72页 |
| 5.3 分级聚类支持向量机 | 第72-77页 |
| 5.3.1 基本思想 | 第72-73页 |
| 5.3.2 训练过程 | 第73-74页 |
| 5.3.3 分类过程 | 第74-75页 |
| 5.3.4 多类故障诊断仿真研究 | 第75-77页 |
| 5.4 小结 | 第77-78页 |
| 第六章 回归型支持向量机用于故障诊断 | 第78-91页 |
| 6.1 基于模型的故障诊断 | 第78页 |
| 6.2 回归型支持向量机 | 第78-80页 |
| 6.3 回归型支持向量机用于模型辨识 | 第80-85页 |
| 6.3.1 SVR辨识方法 | 第80-81页 |
| 6.3.2 辨识结果 | 第81-85页 |
| 6.4 回归型支持向量机用于传感器故障诊断 | 第85-89页 |
| 6.4.1 基于SVR的传感器故障诊断 | 第86-87页 |
| 6.4.2 仿真实验与结果分析 | 第87-89页 |
| 6.5 小结 | 第89-91页 |
| 第七章 结论与展望 | 第91-94页 |
| 参考文献 | 第94-101页 |
| 致谢 | 第101-102页 |
| 攻读博士学位期间参加的学术论文 | 第102-104页 |
| 攻读博士学位期间参加的科研项目 | 第104页 |