基于支持向量机振动故障预报模型的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-14页 |
| ·选题背景及意义 | 第9-10页 |
| ·汽轮发电机组振动状态预测技术国内外发展现状 | 第10-12页 |
| ·支持向量机研究现状及应用 | 第12-13页 |
| ·支持向量机研究现状 | 第12-13页 |
| ·支持向量机在发展过程中的应用 | 第13页 |
| ·论文主要研究内容 | 第13-14页 |
| 第2章 统计学习理论与支持向量机 | 第14-27页 |
| ·机器学习 | 第14-16页 |
| ·机器学习的表示 | 第15页 |
| ·经验风险最小化原则 | 第15-16页 |
| ·统计学习理论 | 第16-20页 |
| ·学习过程的一致性及收敛速度 | 第16-17页 |
| ·VC 维 | 第17页 |
| ·推广性的界理论 | 第17-18页 |
| ·结构风险最小化 | 第18-20页 |
| ·支持向量机理论 | 第20-27页 |
| ·最优分类超平面 | 第20-22页 |
| ·广义最优分类超平面 | 第22页 |
| ·核函数 | 第22-24页 |
| ·回归支持向量机 | 第24-27页 |
| 第3章 常用三种方法的研究 | 第27-42页 |
| ·灰色系统概述 | 第27页 |
| ·灰色系统理论 | 第27-31页 |
| ·灰色预测模型建模机理 | 第29页 |
| ·GM(1,1)建模机理 | 第29-31页 |
| ·神经网络概述 | 第31-36页 |
| ·神经网络理论 | 第31-32页 |
| ·神经网络模型建模机理 | 第32-34页 |
| ·BP 网络模型 | 第34-36页 |
| ·支持向量回归机建模方法 | 第36-37页 |
| ·结合实例对预测模型进行对比分析 | 第37-40页 |
| ·结论 | 第40-42页 |
| 第4章 并行支持向量回归机对时间序列的多步预测 | 第42-50页 |
| ·基于并行 SVR 的多步预测方法 | 第42-43页 |
| ·方法的原理 | 第42页 |
| ·方法的步骤 | 第42-43页 |
| ·时间延迟的求解方法 | 第43-45页 |
| ·相空间重构法 | 第43-44页 |
| ·互信息量法 | 第44-45页 |
| ·自相关系数法 | 第45页 |
| ·时间延迟的选取 | 第45-46页 |
| ·基于时间延迟的支持向量回归机多步预测模型 | 第46页 |
| ·结合实例进行实验 | 第46-49页 |
| ·结论 | 第49-50页 |
| 第5章 结论与展望 | 第50-52页 |
| ·本文主要工作 | 第50-51页 |
| ·后续工作展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第55-56页 |
| 致谢 | 第56页 |
