| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-24页 |
| ·论文研究的背景及意义 | 第11-12页 |
| ·支持向量机的研究现状以及特点分析 | 第12-20页 |
| ·支持向量机学习算法研究 | 第13-14页 |
| ·支持向量机训练算法研究 | 第14-16页 |
| ·支持向量机多类分类方法研究 | 第16-17页 |
| ·支持向量机核函数构造及选择研究 | 第17-18页 |
| ·支持向量机参数优化研究 | 第18-19页 |
| ·支持向量机特点 | 第19-20页 |
| ·故障诊断中的支持向量机方法 | 第20-21页 |
| ·论文的研究内容 | 第21-23页 |
| ·论文的组织结构 | 第23-24页 |
| 2 支持向量机学习算法概述 | 第24-42页 |
| ·统计学习理论 | 第24-30页 |
| ·经验风险 | 第24-26页 |
| ·VC维 | 第26页 |
| ·学习过程的一致性 | 第26-28页 |
| ·结构风险最小归纳原理 | 第28-30页 |
| ·支持向量机分类 | 第30-35页 |
| ·最优超平面 | 第30-31页 |
| ·线性可分情况及线性不可分情况 | 第31-33页 |
| ·非线性情况及核函数 | 第33-35页 |
| ·支持向量 | 第35页 |
| ·支持向量机的变形算法 | 第35-41页 |
| ·ν-SVM | 第36页 |
| ·One-class SVM算法 | 第36-38页 |
| ·最小二乘支持向量机(LS-SVM) | 第38页 |
| ·广义支持向量机(GSVM) | 第38-39页 |
| ·模糊支持向量机(FSVM) | 第39页 |
| ·各种变形算法的比较 | 第39-40页 |
| ·基于组合的支持向量机算法 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 3 模糊多类直接分类支持向量机算法研究 | 第42-65页 |
| ·引言 | 第42-43页 |
| ·多类支持向量机分类方法及其特点分析 | 第43-50页 |
| ·间接构造多类分类器 | 第43-48页 |
| ·直接构造多类分类器 | 第48-50页 |
| ·模糊补偿多类支持向量机 | 第50-58页 |
| ·模糊性与模糊支持向量机 | 第50-52页 |
| ·模糊补偿多类支持向量机FC-SVM | 第52-58页 |
| ·基于Crammer和Singer的模糊多类分类器FCS-SVM | 第58-61页 |
| ·算法实验分析与比较 | 第61-64页 |
| ·本章小结 | 第64-65页 |
| 4 一种基于Vague-Sigmoid核的支持向量机研究 | 第65-76页 |
| ·引言 | 第65-66页 |
| ·核函数 | 第66-67页 |
| ·Vague集与模糊核 | 第67-70页 |
| ·Vague集的概念 | 第67-68页 |
| ·模糊核思想 | 第68-70页 |
| ·Vague-Sigmoid核支持向量机 | 第70-73页 |
| ·Vague-Sigrnoid核支持向量机算法描述 | 第70页 |
| ·训练样本Vague值的计算方法 | 第70-72页 |
| ·Vague集的相似度量及Vague-Sigmoid核的表示 | 第72-73页 |
| ·实验比较 | 第73-75页 |
| ·本章小结 | 第75-76页 |
| 5 基于改进的PCM支持向量数据描述多类分类器 | 第76-95页 |
| ·引言 | 第76-77页 |
| ·数据域描述问题 | 第77-81页 |
| ·1-类(One-Class)分类问题描述 | 第78页 |
| ·支持向量数据描述 | 第78-81页 |
| ·改进的PCM算法 | 第81-83页 |
| ·基于改进的PCM加权支持向量数据描述 | 第83-88页 |
| ·加权SVDD方法 | 第83-86页 |
| ·提出的算法描述 | 第86-88页 |
| ·算法理论依据 | 第88-91页 |
| ·贝叶斯决策理论 | 第88-90页 |
| ·提出算法的理论说明 | 第90-91页 |
| ·实验分析 | 第91-94页 |
| ·本章小结 | 第94-95页 |
| 6 支持向量机在旋转机械故障诊断中的应用 | 第95-107页 |
| ·引言 | 第95-96页 |
| ·故障诊断系统体系结构 | 第96-100页 |
| ·系统知识库及其管理软件 | 第97-98页 |
| ·故障征兆提取 | 第98页 |
| ·支持向量机学习系统 | 第98-99页 |
| ·动态数据库 | 第99页 |
| ·推理机及解释机制 | 第99-100页 |
| ·基于正负类样本的支持向量数据描述分类(NWSVDD) | 第100-102页 |
| ·实验分析 | 第102-106页 |
| ·多类分类方法用于旋转机械故障模式识别 | 第103-104页 |
| ·基于Vague-Sigmoid核的SVM方法用于旋转机械故障模式识别 | 第104-105页 |
| ·SVDD方法用于旋转机械故障模式识别 | 第105-106页 |
| ·本章小结 | 第106-107页 |
| 7 总结与展望 | 第107-110页 |
| 参考文献 | 第110-121页 |
| 攻读博士学位期间发表和完成学术论文情况 | 第121-123页 |
| 创新点摘要 | 第123-124页 |
| 致谢 | 第124-125页 |
