| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-19页 |
| ·故障诊断技术及其发展 | 第8-9页 |
| ·机器学习的基本问题 | 第9-11页 |
| ·机器学习 | 第9-10页 |
| ·机器学习问题 | 第10-11页 |
| ·基于支持向量机和径向基网络的故障诊断技术概述及研究背景 | 第11-17页 |
| ·支持向量机概述 | 第11-15页 |
| ·径向基网络概述 | 第15页 |
| ·基于支持向量机的智能故障诊断技术的研究背景 | 第15-17页 |
| ·课题研究的目的和意义 | 第17-18页 |
| ·论文内容和结构 | 第18-19页 |
| 第2章 支持向量机理论 | 第19-32页 |
| ·统计学习理论 | 第19-24页 |
| ·函数集的VC维 | 第19-20页 |
| ·结构风险最小化原则 | 第20-23页 |
| ·泛化能力推广性界 | 第23-24页 |
| ·支持向量机的概念 | 第24-27页 |
| ·支持向量机的求解 | 第27-29页 |
| ·核函数 | 第29页 |
| ·支持向量机模型选择 | 第29-30页 |
| ·支持向量机的应用 | 第30-32页 |
| 第3章 径向基神经网络 | 第32-37页 |
| ·人工神经网络的概述 | 第32页 |
| ·神经网络的拓扑结构 | 第32-33页 |
| ·神经网络的学习方式 | 第33-34页 |
| ·径向基函数神经网络(RBFNN) | 第34-37页 |
| ·径向基神经元 | 第34页 |
| ·RBF网络拓扑结构 | 第34-35页 |
| ·RBF神经网络的映射关系 | 第35页 |
| ·RBF神经网络的传统训练算法存在的问题 | 第35-37页 |
| 第4章 智能故障诊断技术 | 第37-57页 |
| ·故障诊断技术分类 | 第37页 |
| ·故障诊断方法的研究 | 第37-40页 |
| ·齿轮及其故障模式分类 | 第40-42页 |
| ·应用于故障诊断的神经网络和支持向量机 | 第42-47页 |
| ·基于径向基网络的诊断 | 第43-45页 |
| ·基于支持向量机的智能故障诊断方法 | 第45-47页 |
| ·基于支持向量机和径向基网络结合的智能故障诊断 | 第47-55页 |
| ·基于支持向量机的特征变换与径向基网络相结合的诊断 | 第47-51页 |
| ·基于支持向量机的结构优化的径向基网络的诊断 | 第51-53页 |
| ·基于SVM特征变换与结构优化的径向基网络诊断方法 | 第53-55页 |
| ·故障诊断实例 | 第55-57页 |
| 第5章 结论与展望 | 第57-59页 |
| ·结论 | 第57页 |
| ·展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间撰写的论文 | 第64页 |
