| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-19页 |
| ·概述 | 第10-11页 |
| ·故障诊断技术的发展 | 第11-14页 |
| ·基于知识的方法 | 第11-12页 |
| ·基于解析模型的方法 | 第12页 |
| ·基于信号处理的方法 | 第12-14页 |
| ·核动力装置故障诊断方法概述 | 第14-17页 |
| ·人工神经网络 | 第15-16页 |
| ·专家系统 | 第16-17页 |
| ·遗传算法简介 | 第17页 |
| ·基于支持向量机的故障诊断方法的研究背景 | 第17-19页 |
| 第2章 统计学习理论及支持向量机 | 第19-42页 |
| ·统计学习理论 | 第20-28页 |
| ·机器学习的目的 | 第20页 |
| ·经验风险最小化原则 | 第20-21页 |
| ·学习一致性条件 | 第21-23页 |
| ·函数集的VC维 | 第23-25页 |
| ·泛化性的界 | 第25-26页 |
| ·结构风险最小化原则 | 第26-28页 |
| ·支持向量机基本原理 | 第28-33页 |
| ·拉格朗日对偶 | 第31-32页 |
| ·支持向量机求解过程 | 第32-33页 |
| ·核函数的理论基础 | 第33-39页 |
| ·核函数基本性质 | 第37-38页 |
| ·常用核函数 | 第38-39页 |
| ·核函数参数的选取 | 第39页 |
| ·核方法的特点 | 第39-42页 |
| 第3章 SVM在核动力装置故障诊断中的应用 | 第42-55页 |
| ·核动力装置典型故障及其现象 | 第42-48页 |
| ·蒸汽发生器传热管破裂事故 | 第42-47页 |
| ·蒸汽管道破裂事故 | 第47-48页 |
| ·支持向量分类机 | 第48-51页 |
| ·C—支持向量机 | 第48-49页 |
| ·最小二乘支持向量机 | 第49-51页 |
| ·C—SVM和LSSVM在SGTR中的应用 | 第51-54页 |
| ·C—SVM和LSSVM在蒸汽管道破裂事故中的应用 | 第54-55页 |
| 第4章 SVM在核动力装置多类故障中的应用 | 第55-74页 |
| ·多类支持向量机 | 第55-61页 |
| ·一对多方法 | 第55-57页 |
| ·成对分类 | 第57-58页 |
| ·纠错输出编码方法 | 第58页 |
| ·决策树分类法 | 第58-61页 |
| ·主成分分析 | 第61-62页 |
| ·C—SVM在核动力装置多类故障中的应用 | 第62-70页 |
| ·LSSVM在核动力装置多类故障中的应用 | 第70-74页 |
| 结论 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士期间发表的论文及取得的科研成果 | 第80-81页 |
| 致谢 | 第81页 |