| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 课题研究背景及意义 | 第13-16页 |
| 1.2 流程工业过程故障诊断技术的发展与现状 | 第16-21页 |
| 1.2.1 故障诊断的基本概念 | 第16页 |
| 1.2.2 流程工业过程故障诊断技术的发展 | 第16-17页 |
| 1.2.3 故障诊断常用方法 | 第17-19页 |
| 1.2.4 基于支持向量机的故障诊断方法 | 第19-21页 |
| 1.3 本文研究内容及主要工作 | 第21-25页 |
| 第2章 支持向量机 | 第25-41页 |
| 2.1 支持向量机理论 | 第26-29页 |
| 2.1.1 线性可分支持向量机 | 第26-28页 |
| 2.1.2 线性支持向量机 | 第28-29页 |
| 2.2 支持向量机多类分类算法 | 第29-33页 |
| 2.2.1 基于改进分类器的多类分类算法 | 第30-31页 |
| 2.2.2 基于组合两类分类器的多类分类算法 | 第31-33页 |
| 2.3 支持向量机算法研究现状 | 第33-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 高炉冶炼工艺和TE过程分析 | 第41-51页 |
| 3.1 高炉系统及高炉冶炼过程 | 第41-42页 |
| 3.2 高炉故障诊断技术现状 | 第42-44页 |
| 3.3 高炉冶炼主要工艺参数与异常炉况的关系 | 第44-47页 |
| 3.3.1 高炉冶炼主要工艺参数 | 第44-46页 |
| 3.3.2 高炉冶炼主要工艺参数与异常炉况的关系 | 第46-47页 |
| 3.4 TE过程及故障 | 第47-49页 |
| 3.4.1 TE过程 | 第47-48页 |
| 3.4.2 TE过程故障 | 第48-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 基于NN-DPSO-SVM的流程工业故障诊断方法 | 第51-59页 |
| 4.1 最近邻法和粒子群优化算法 | 第51-53页 |
| 4.1.1 最近邻法 | 第51-52页 |
| 4.1.2 粒子群优化算法 | 第52-53页 |
| 4.2 NN-DPSO-SVM多类分类新算法 | 第53-56页 |
| 4.2.1 本文提出的改进离散粒子群优化算法 | 第53-54页 |
| 4.2.2 支持向量机随机二叉树多类分类算法 | 第54-55页 |
| 4.2.3 NN-DPSO-SVM多类分类算法步骤 | 第55-56页 |
| 4.3 高炉故障诊断仿真实验 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 基于成本意识LS-SVM的流程工业故障诊断方法 | 第59-73页 |
| 5.1 最小二乘支持向量机 | 第59-62页 |
| 5.1.1 基于最小二乘支持向量机的两类分类器 | 第60-61页 |
| 5.1.2 基于二叉树的最小二乘支持向量机多类分类算法 | 第61-62页 |
| 5.2 基于成本意识LS-SVM的多类分类新算法 | 第62-66页 |
| 5.2.1 成本意识模型和参数优化 | 第62-63页 |
| 5.2.2 基于成本意识模型的适应函数 | 第63页 |
| 5.2.3 基于成本意识LS-SVM两类分类新算法 | 第63-65页 |
| 5.2.4 基于渐变二叉树的CLS-SVM多类分类新算法 | 第65-66页 |
| 5.3 高炉故障诊断仿真实验 | 第66-72页 |
| 5.3.1 两类分类实验及结果分析 | 第66-67页 |
| 5.3.2 多类分类实验及结果分析 | 第67-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第6章 基于可适应TSVM的流程工业故障诊断不平衡数据处理方法 | 第73-83页 |
| 6.1 直推式支持向量机 | 第73-74页 |
| 6.2 不平衡数据分类 | 第74-77页 |
| 6.2.1 不平衡数据分类方法 | 第75页 |
| 6.2.2 不平衡数据分类的估计准则 | 第75-76页 |
| 6.2.3 不平衡数据对支持向量机分类器泛化能力的影响 | 第76-77页 |
| 6.3 基于可适应直推式支持向量机新算法的不平衡数据处理 | 第77-79页 |
| 6.3.1 改进的最近邻法 | 第77页 |
| 6.3.2 补少类算法 | 第77-78页 |
| 6.3.3 补全算法 | 第78-79页 |
| 6.4 TE过程故障诊断仿真实验 | 第79-81页 |
| 6.4.1 数据集描述 | 第79-80页 |
| 6.4.2 仿真实验及结果分析 | 第80-81页 |
| 6.5 本章小结 | 第81-83页 |
| 第7章 基于可选SVM的流程工业故障诊断不平衡数据处理方法 | 第83-93页 |
| 7.1 支持向量机的主动学习 | 第83-84页 |
| 7.2 不平衡数据分类 | 第84-85页 |
| 7.2.1 F1测度 | 第84页 |
| 7.2.2 一类不平衡数据对支持向量机分类器泛化能力的影响 | 第84-85页 |
| 7.3 基于可选支持向量机新算法的不平衡数据处理 | 第85-88页 |
| 7.3.1 修剪训练集 | 第85-86页 |
| 7.3.2 可选支持向量机新算法 | 第86-88页 |
| 7.4 高炉故障诊断仿真实验 | 第88-91页 |
| 7.4.1 数据集描述 | 第88页 |
| 7.4.2 可选SVM算法的参数分析 | 第88-89页 |
| 7.4.3 仿真实验和结果分析 | 第89-91页 |
| 7.5 本章小结 | 第91-93页 |
| 第8章 基于新型加权支持向量回归机的参数预测方法 | 第93-101页 |
| 8.1 ε支持向量回归机 | 第93-94页 |
| 8.2 新型加权支持向量回归机算法 | 第94-97页 |
| 8.2.1 新型加权支持向量回归机算法 | 第95-97页 |
| 8.2.2 新型加权支持向量回归机算法步骤 | 第97页 |
| 8.3 仿真实验 | 第97-99页 |
| 8.4 本章小结 | 第99-101页 |
| 第9章 总结与展望 | 第101-103页 |
| 9.1 总结 | 第101-102页 |
| 9.2 展望 | 第102-103页 |
| 参考文献 | 第103-117页 |
| 致谢 | 第117-119页 |
| 攻读博士学位期间论文及获奖情况 | 第119-121页 |
| 攻读博士学位期间参加的科研工作 | 第121页 |
