| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 数据挖掘的研究现状 | 第12-13页 |
| 1.3 支持向量机的研究现状 | 第13-14页 |
| 1.3.1 应用研究现状 | 第13-14页 |
| 1.3.2 理论研究现状 | 第14页 |
| 1.4 论文主要的工作安排 | 第14-16页 |
| 第2章 支持向量机的基本理论 | 第16-27页 |
| 2.1 统计学习理论基础 | 第16-18页 |
| 2.1.1 机器学习问题 | 第16页 |
| 2.1.2 VC 维 | 第16-17页 |
| 2.1.3 推广性界理论 | 第17-18页 |
| 2.1.4 结构风险最小化原则 | 第18页 |
| 2.2 支持向量分类机 | 第18-21页 |
| 2.2.1 线性支持向量分类机 | 第19-20页 |
| 2.2.2 非线性支持向量分类机 | 第20-21页 |
| 2.3 支持向量回归机 | 第21-24页 |
| 2.3.1 线性支持向量回归机 | 第21-24页 |
| 2.3.2 非线性支持向量回归机 | 第24页 |
| 2.4 支持向量 | 第24-25页 |
| 2.5 支持向量机模型的建立 | 第25-27页 |
| 2.5.1 训练集的选择 | 第25页 |
| 2.5.2 训练特征的选择 | 第25页 |
| 2.5.3 核函数的选择 | 第25-26页 |
| 2.5.4 模型参数的选择 | 第26-27页 |
| 第3章 基于 SVM 的齿轮箱故障的诊断模型 | 第27-34页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于 SVM 的诊断模型 | 第28页 |
| 3.3 基于 EMD 的 SVM 故障诊断方法 | 第28-31页 |
| 3.3.1 EMD 算法原理 | 第28-29页 |
| 3.3.2 内禀模态能量熵理论 | 第29页 |
| 3.3.3 实验分析 | 第29-31页 |
| 3.4 基于 EEMD 的 SVM 故障诊断方法 | 第31-33页 |
| 3.4.1 基于 EEMD 的 SVM 故障诊断方法步骤 | 第31页 |
| 3.4.2 集合经验模态分解理论 | 第31-32页 |
| 3.4.3 实例验证 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于 SVM 的回归预测模型研究 | 第34-48页 |
| 4.1 基于相空间重构的支持向量回归机的转子故障预测 | 第34-39页 |
| 4.1.1 引言 | 第34-35页 |
| 4.1.2 基于相空间重构的支持向量回归机 | 第35-36页 |
| 4.1.3 粒子群算法理论 | 第36-37页 |
| 4.1.4 粒子群算法优化相空间重构参数 | 第37页 |
| 4.1.5 实验研究 | 第37-39页 |
| 4.2 基于集合经验模态分解和支持向量机的短期风速预测模型 | 第39-46页 |
| 4.2.1 引言 | 第39-40页 |
| 4.2.2 PSO 优化 SVM 原理 | 第40-41页 |
| 4.2.3 基于 EEMD 和 PSO-SVM 的短期风速预测模型 | 第41页 |
| 4.2.4 实验结果分析 | 第41-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第5章 基于 SVM 的数据拟合模型研究 | 第48-54页 |
| 5.1 引言 | 第48页 |
| 5.2 基于 SVM 的数据拟合模型的建立 | 第48页 |
| 5.3 方法对比 | 第48-51页 |
| 5.4 实例 | 第51-52页 |
| 5.5 本章小结 | 第52-54页 |
| 第6章 结论与展望 | 第54-56页 |
| 6.1 论文总结 | 第54-55页 |
| 6.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其他的研究成果 | 第60-61页 |
| 攻读硕士学位期间参加的科研工作 | 第61-62页 |
| 致谢 | 第62页 |
