基于小波能熵和支持向量机的故障诊断方法及其应用研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-18页 |
| ·课题研究背景及意义 | 第9-10页 |
| ·故障的定义、分类及故障诊断定义 | 第10-11页 |
| ·现有的故障诊断检测方法 | 第11-14页 |
| ·傅立叶变换 | 第11-12页 |
| ·小波变换 | 第12页 |
| ·人工智能 | 第12-13页 |
| ·数学形态学 | 第13-14页 |
| ·Prony 分析法 | 第14页 |
| ·小波变换的发展及其在故障诊断的应用 | 第14-15页 |
| ·故障诊断系统的基本结构 | 第15-16页 |
| ·本文的主要工作 | 第16-18页 |
| 第2章 小波变换的基本原理 | 第18-28页 |
| ·引言 | 第18-19页 |
| ·连续小波变换 | 第19-21页 |
| ·离散小波变换 | 第21-23页 |
| ·连续小波变换、离散小波变换的区别 | 第23页 |
| ·多分辨率分析 | 第23-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 小波熵及其改进方法 | 第28-38页 |
| ·引言 | 第28页 |
| ·信息熵及谱熵 | 第28-30页 |
| ·信息熵 | 第28-29页 |
| ·谱熵 | 第29-30页 |
| ·小波熵 | 第30-36页 |
| ·小波信息熵 | 第31-32页 |
| ·小波能谱熵 | 第32页 |
| ·小波时间熵 | 第32-33页 |
| ·小波奇异熵 | 第33-34页 |
| ·小波时频熵 | 第34页 |
| ·小波平均熵 | 第34-35页 |
| ·小波距离熵 | 第35-36页 |
| ·改进的小波能谱熵 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 支持向量机 | 第38-52页 |
| ·支持向量机 | 第38-40页 |
| ·支持向量机的理论 | 第40-45页 |
| ·机器学习的基本理论 | 第40-42页 |
| ·统计学习理论的内容 | 第42-45页 |
| ·支持向量机分类器 | 第45-51页 |
| ·线性分类器 | 第45-46页 |
| ·最优分类超平面 | 第46-48页 |
| ·支持向量机 | 第48页 |
| ·核函数 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 实验仿真 | 第52-60页 |
| ·基于改进小波能熵的故障诊断特征提取 | 第52-56页 |
| ·基于支持向量机的故障诊断方法 | 第56-58页 |
| ·仿真结果 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-68页 |
| 作者简介 | 第68页 |
