| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 概述 | 第12页 |
| 1.2 课题的背景和意义 | 第12-14页 |
| 1.3 预测建模技术发展现状 | 第14-16页 |
| 1.4 论文主要工作 | 第16-18页 |
| 第二章 统计学习理论与支持向量机 | 第18-34页 |
| 2.1 机器学习 | 第18-20页 |
| 2.1.1 学习问题的表示 | 第18-20页 |
| 2.1.2 经验风险最小化 | 第20页 |
| 2.2 统计学习理论 | 第20-23页 |
| 2.2.1 VC维理论 | 第21页 |
| 2.2.2 推广性的界 | 第21-22页 |
| 2.2.3 结构风险最小化归纳原则 | 第22-23页 |
| 2.3 支持向量机理论 | 第23-33页 |
| 2.3.1 支持向量机分类原理 | 第24-30页 |
| 2.3.2 支持向量机回归原理 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 支持向量机模型参数优化算法 | 第34-44页 |
| 3.1 支持向量机的模型选择 | 第34-37页 |
| 3.1.1 核函数选取 | 第34-35页 |
| 3.1.2 参数选取对模型的影响 | 第35-37页 |
| 3.2 遗传算法 | 第37-41页 |
| 3.2.1 遗传算法简介 | 第37页 |
| 3.2.2 遗传算法基本原理与流程 | 第37-41页 |
| 3.3 粒子群算法原理 | 第41-43页 |
| 3.3.1 粒子群算法原理 | 第41-42页 |
| 3.3.2 PSO算法实现步骤 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 支持向量机模型在轴承疲劳寿命预测中的应用 | 第44-62页 |
| 4.1 特征信息的提取方法 | 第44-53页 |
| 4.1.1 时域特征指标 | 第45-48页 |
| 4.1.2 频域特征指标 | 第48-51页 |
| 4.1.3 EMD样本熵特征提取方法 | 第51-53页 |
| 4.2 基于PCA的多个特征指标融合方法 | 第53-55页 |
| 4.3 基于支持向量机预测模型的轴承寿命预测 | 第55-61页 |
| 4.3.1 遗传算法优化参数的支持向量机寿命预测模型 | 第55-58页 |
| 4.3.2 粒子群算法优化参数的支持向量机寿命预测模型 | 第58-60页 |
| 4.3.3 模型结果比较 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于信息粒化的支持向量机预测模型 | 第62-74页 |
| 5.1 基础理论 | 第62-64页 |
| 5.1.1 粒化计算 | 第62页 |
| 5.1.2 信息粒化 | 第62-64页 |
| 5.2 模糊信息粒化的方法模型 | 第64-66页 |
| 5.3 基于模糊信息粒化的支持向量机预测模型 | 第66-67页 |
| 5.4 仿真结果与分析 | 第67-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 结论 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 读硕士学位期间发表的学术论文及取得的相关科研成果 | 第80-81页 |
| 致谢 | 第81-82页 |