| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 引言 | 第7-11页 |
| ·研究的目的及意义 | 第7-8页 |
| ·国内外现状 | 第8-10页 |
| ·论文的内容与结构 | 第10-11页 |
| 第二章 集成学习方法的分析与研究 | 第11-18页 |
| ·集成学习方法的主要内容 | 第11-14页 |
| ·PAC 理论 | 第11-12页 |
| ·强可学习与弱可学习理论 | 第12页 |
| ·集成学习方法实现策略 | 第12-13页 |
| ·子学习器的生成方法 | 第13页 |
| ·子学习器的结合方法 | 第13-14页 |
| ·经典的集成学习方法 | 第14-17页 |
| ·Bagging 方法及其性能分析 | 第14-15页 |
| ·Boosting 算法族及其性能分析 | 第15-16页 |
| ·Bagging 方法与 Boosting 方法的比较 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第三章 支持向量机集成学习方法 | 第18-30页 |
| ·支持向量机（SVM）简介 | 第18-21页 |
| ·支持向量机分类机 | 第18-20页 |
| ·支持向量回归机 | 第20-21页 |
| ·核映射 | 第21页 |
| ·AdaBoost 集成学习方法 | 第21-25页 |
| ·AdaBoost 算法训练误差的上界 | 第23-24页 |
| ·训练轮数 T 的确定 | 第24-25页 |
| ·AdaBoost. M1 | 第25-27页 |
| ·SVM-AdaBoost 模型的建立 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第四章 集成学习在机械故障诊断中的应用 | 第30-51页 |
| ·故障数据提取系统的建立 | 第30-31页 |
| ·4-135 柴油机状态监测系统的建立 | 第30页 |
| ·齿轮箱状态监测系统的建立[45] | 第30-31页 |
| ·特征选择与提取 | 第31-41页 |
| ·数据预处理 | 第31页 |
| ·基于动态指标法的特征提取 | 第31-35页 |
| ·基于小波包分解的特征提取 | 第35-41页 |
| ·不同诊断特征的集成学习机械故障诊断效果分析 | 第41-48页 |
| ·基于集成学习的故障诊断模型的建立 | 第41-42页 |
| ·基于集成学习的柴油机故障诊断 | 第42-46页 |
| ·基于集成学习的齿轮箱故障诊断 | 第46-48页 |
| ·集成学习对不同机械类型故障诊断效果分析 | 第48-49页 |
| ·案例拓展 | 第49-50页 |
| ·采用不同归一化方式的对比 | 第49页 |
| ·采用不同核函数的对比 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 支持向量机选择性集成学习方法 | 第51-58页 |
| ·选择性集成的提出 | 第51-52页 |
| ·选择性集成的理论基础 | 第52-53页 |
| ·GASEN | 第53-56页 |
| ·实验验证 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 结论与展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的论文 | 第63-64页 |
| 详细摘要 | 第64-75页 |