基于支持向量机的旋转机械故障诊断
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-25页 |
| ·研究意义 | 第8-10页 |
| ·故障诊断方法综述 | 第10-23页 |
| ·基于模型方法 | 第10-12页 |
| ·专家系统 | 第12-16页 |
| ·模式识别方法 | 第16-21页 |
| ·支持向量机方法 | 第21-23页 |
| ·本文研究内容和结构安排 | 第23-25页 |
| ·研究方向 | 第23页 |
| ·结构安排 | 第23-25页 |
| 第二章 实验设计 | 第25-33页 |
| ·实验设备 | 第25-26页 |
| ·实验设计 | 第26-27页 |
| ·特征量选取 | 第27-32页 |
| ·计算机配置 | 第32-33页 |
| 第三章 神经网络故障诊断 | 第33-51页 |
| ·BP网络诊断结果 | 第33-41页 |
| ·BP网络结构设计 | 第33页 |
| ·BP网络诊断结果 | 第33-39页 |
| ·结果分析 | 第39-41页 |
| ·RBF网络诊断结果 | 第41-49页 |
| ·RBF网络简介 | 第41-43页 |
| ·RBF网络结构设计 | 第43页 |
| ·RBF网络诊断结果 | 第43-47页 |
| ·结果分析 | 第47-49页 |
| ·小结 | 第49-51页 |
| 第四章 支持向量机故障诊断 | 第51-82页 |
| ·统计学习理论与支持向量机 | 第51-65页 |
| ·升维和分类超平面 | 第51-53页 |
| ·最优分类超平面 | 第53-54页 |
| ·学习问题的表示 | 第54-56页 |
| ·VC维 | 第56页 |
| ·结构风险最小化 | 第56-58页 |
| ·支持向量机 | 第58-63页 |
| ·计算最优分类超平面 | 第58-60页 |
| ·支持向量机 | 第60-62页 |
| ·核函数 | 第62-63页 |
| ·QP问题 | 第63-64页 |
| ·多元分类 | 第64-65页 |
| ·支持向量机故障诊断 | 第65-78页 |
| ·多项式核函数SVM实验 | 第65-72页 |
| ·诊断结果 | 第65-69页 |
| ·结果分析 | 第69-72页 |
| ·RBF核函数SVM实验 | 第72-78页 |
| ·诊断结果 | 第72-75页 |
| ·结果分析 | 第75-78页 |
| ·小结 | 第78-82页 |
| 第五章 小样本问题研究 | 第82-95页 |
| ·神经网络实验 | 第82-89页 |
| ·实验结果 | 第82-85页 |
| ·结果分析 | 第85-89页 |
| ·SVM实验 | 第89-93页 |
| ·实验结果 | 第89-92页 |
| ·结果分析 | 第92-93页 |
| ·小结 | 第93-95页 |
| 第六章 故障特征量选择方法研究 | 第95-105页 |
| ·信息增益图 | 第95-97页 |
| ·信息熵 | 第96页 |
| ·信息增益图 | 第96-97页 |
| ·特征量选择实验 | 第97-104页 |
| ·值域平均 | 第98-99页 |
| ·容量平均 | 第99-104页 |
| ·小结 | 第104-105页 |
| 第七章 SV-进动图 | 第105-112页 |
| ·传统进动表现方法 | 第105-106页 |
| ·SV-进动图 | 第106-107页 |
| ·实验结果 | 第107-111页 |
| ·小结 | 第111-112页 |
| 第八章 结论与展望 | 第112-114页 |
| ·研究结论 | 第112-113页 |
| ·建议与展望 | 第113-114页 |
| 参考文献 | 第114-123页 |
| 致谢 | 第123-125页 |
| 攻读博士学位期间发表的论文 | 第125-126页 |
