| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第14-24页 |
| 摘要 | 第14页 |
| 1.1 研究的背景及意义 | 第14-17页 |
| 1.1.1 机器学习 | 第14-15页 |
| 1.1.2 统计机器学习理论 | 第15-17页 |
| 1.2 多重故障诊断算法 | 第17页 |
| 1.3 多故障诊断系统性能量化指标 | 第17-19页 |
| 1.4 本文的研究内容、组织结构与主要创新点 | 第19-22页 |
| 1.4.1 论文研究的主要内容及创新点 | 第19-20页 |
| 1.4.2 论文的具体研究内容及组织结构 | 第20-22页 |
| 1.5 本章小结 | 第22-24页 |
| 2 实验仿真与系统平台 | 第24-38页 |
| 摘要 | 第24页 |
| 2.1 田纳西-伊斯曼过程介绍 | 第24-27页 |
| 2.2 燃料电池系统介绍 | 第27-37页 |
| 2.2.1 燃料电池工作原理 | 第27-28页 |
| 2.2.2 燃料电池系统研究进展 | 第28页 |
| 2.2.3 燃料电池系统仿真模型 | 第28-34页 |
| 2.2.4 燃料电池系统工程实验平台 | 第34-37页 |
| 2.3 本章小结 | 第37-38页 |
| 3 基于多标签的支持向量机多重故障诊断算法 | 第38-60页 |
| 摘要 | 第38页 |
| 3.0 引言 | 第38页 |
| 3.1 支持向量机算法原理与应用的研究 | 第38-41页 |
| 3.1.1 支持向量机算法原理 | 第38-40页 |
| 3.1.2 支持向量机算法应用研究 | 第40-41页 |
| 3.2 基于支持向量机的单标签与多标签算法比较 | 第41-50页 |
| 3.2.1 单标签与多标签分类算法对比分析 | 第41-43页 |
| 3.2.2 多标签LS-SVM故障诊断算法 | 第43-45页 |
| 3.2.3 单标签与多标签分类算法的比较仿真 | 第45-50页 |
| 3.3 基于多标签LS-SVM的TE过程多重故障诊断算法 | 第50-53页 |
| 3.4 基于多标签LS-SVM的燃料电池系统多重故障诊断算法 | 第53-58页 |
| 3.4.1 基于多标签LS-SVM的燃料电池系统仿真多重故障诊断算法 | 第53-56页 |
| 3.4.2 基于多标签LS-SVM的燃料电池系统实验平台多重故障诊断算法 | 第56-58页 |
| 3.5 本章小结 | 第58-60页 |
| 4 基于多标签的相关向量机多重故障诊断算法 | 第60-72页 |
| 摘要 | 第60页 |
| 4.1 引言 | 第60页 |
| 4.2 相关向量机算法原理与应用的研究 | 第60-62页 |
| 4.3 多标签RVM多重故障诊断算法 | 第62-63页 |
| 4.4 基于多标签RVM的TE过程多重故障诊断算法 | 第63-65页 |
| 4.5 基于多标签的RVM的燃料电池系统多重故障诊断算法 | 第65-70页 |
| 4.5.1 基于多标签RVM的燃料电池系统仿真多重故障诊断算法 | 第65-68页 |
| 4.5.2 基于多标签RVM的燃料电池系统实验平台多重故障诊断算法 | 第68-70页 |
| 4.6 本章小结 | 第70-72页 |
| 5 基于多标签的极限学习机多重故障诊断算法 | 第72-88页 |
| 摘要 | 第72页 |
| 5.1 引言 | 第72页 |
| 5.2 极限学习机算法原理与应用的研究 | 第72-76页 |
| 5.2.1 极限学习机算法原理 | 第72-74页 |
| 5.2.2 极限学习机算法应用研究 | 第74-76页 |
| 5.3 多标签BELM多重故障诊断算法 | 第76-77页 |
| 5.4 基于多标签BELM的TE过程多重故障诊断算法 | 第77-80页 |
| 5.5 基于多标签BELM的燃料电池系统多重故障诊断算法 | 第80-86页 |
| 5.5.1 基于多标签BELM的燃料电池系统仿真多重故障诊断算法 | 第80-84页 |
| 5.5.2 基于多标签BELM的燃料电池系统实验平台多重故障诊断算法 | 第84-86页 |
| 5.6 本章小结 | 第86-88页 |
| 6 总结与展望 | 第88-92页 |
| 摘要 | 第88页 |
| 6.1 研究工作总结 | 第88-90页 |
| 6.2 研究工作展望 | 第90-92页 |
| 参考文献 | 第92-96页 |
| 附录A作者在攻读硕士学位期间科研成果 | 第96页 |
