| 摘要 | 第1-14页 |
| Abstract | 第14-18页 |
| 第一章 绪论 | 第18-29页 |
| ·研究背景与需求分析 | 第18-21页 |
| ·飞行器健康管理的研究价值与意义 | 第18-19页 |
| ·飞行器健康管理中新异类检测的需求分析 | 第19-20页 |
| ·新异类检测的概念与内涵 | 第20-21页 |
| ·新异类检测方法及其在健康管理领域中的应用情况概述 | 第21-25页 |
| ·新异类检测方法概述 | 第21-23页 |
| ·新异类检测在健康管理中的应用研究情况综述 | 第23-25页 |
| ·课题来源与主要研究工作 | 第25-29页 |
| ·问题提出与课题来源 | 第25-26页 |
| ·研究对象选择 | 第26-27页 |
| ·主要研究内容与章节安排 | 第27-29页 |
| 第二章 新异类检测方法基本原理与状态监测策略 | 第29-48页 |
| ·引言 | 第29-30页 |
| ·新异类检测的学习误差与推广能力 | 第30-33页 |
| ·新异类检测器的学习精度与测试精度 | 第30-31页 |
| ·影响新异类检测器推广能力的因素 | 第31-32页 |
| ·接收者操作特性曲线 | 第32-33页 |
| ·基于密度估计的新异类检测方法原理 | 第33-39页 |
| ·参数化密度估计方法 | 第33-35页 |
| ·非参数密度估计方法 | 第35-39页 |
| ·基于神经网络的新异类检测方法原理 | 第39-42页 |
| ·自组织映射神经网络方法 | 第40-42页 |
| ·单类支持向量机方法 | 第42页 |
| ·关于新异类检测方法的讨论 | 第42-43页 |
| ·新异类检测器的设计原则与状态监测策略 | 第43-46页 |
| ·新异类检测器的设计原则 | 第43-44页 |
| ·基于新异类检测的状态监测策略 | 第44-46页 |
| ·本章小结 | 第46-48页 |
| 第三章 新异类检测的单类支持向量机方法研究 | 第48-72页 |
| ·引言 | 第48页 |
| ·支持向量机基本原理 | 第48-53页 |
| ·最优分类超平面 | 第48-51页 |
| ·软间隔最优分类超平面 | 第51-52页 |
| ·支持向量机 | 第52-53页 |
| ·单类支持向量机新异类检测方法的基本原理 | 第53-58页 |
| ·支持向量数据描述方法 | 第53-56页 |
| ·v-支持向量分类器方法 | 第56-57页 |
| ·异类样本参与下的单类支持向量机 | 第57-58页 |
| ·单类支持向量机的参数设置 | 第58-63页 |
| ·单类支持向量机的高斯带宽系数 | 第58-60页 |
| ·单类支持向量机的平衡参数 | 第60-61页 |
| ·单类支持向量机的偏置缩放因子 | 第61-63页 |
| ·单类支持向量机在涡轮泵状态监测中的初步应用 | 第63-70页 |
| ·涡轮泵振动特性分析与检测特征提取 | 第63-66页 |
| ·涡轮泵振动信号的单类支持向量机检测 | 第66-70页 |
| ·本章小结 | 第70-72页 |
| 第四章 新异类检测的自适应在线检测方法研究 | 第72-92页 |
| ·引言 | 第72页 |
| ·单次测试检测与自适应在线检测 | 第72-74页 |
| ·高斯阈值单次测试检测 | 第72-73页 |
| ·高斯阈值自适应在线检测 | 第73-74页 |
| ·数值分析 | 第74页 |
| ·单类支持向量机递归在线检测算法 | 第74-79页 |
| ·检测器的更新 | 第75-77页 |
| ·在线检测算法 | 第77-79页 |
| ·算法分析 | 第79页 |
| ·支持向量机的优化方法 | 第79-81页 |
| ·分块算法 | 第79-80页 |
| ·分解算法 | 第80页 |
| ·序贯最小优化算法 | 第80-81页 |
| ·单类支持向量机的序贯最小优化算法 | 第81-83页 |
| ·α1 和α2 的优化解析解 | 第81-82页 |
| ·α1 和α2 的循环选择与停机准则 | 第82页 |
| ·循环过程中的更新 | 第82-83页 |
| ·初始值的设置 | 第83页 |
| ·双偏置单类支持向量机自适应在线检测算法 | 第83-90页 |
| ·双偏置单类支持向量机自适应在线检测算法 | 第83-86页 |
| ·算法的涡轮泵试车数据分析验证 | 第86-90页 |
| ·本章小结 | 第90-92页 |
| 第五章 新异类检测的完备样本区域描述方法研究 | 第92-116页 |
| ·引言 | 第92-93页 |
| ·增量学习问题简述 | 第93-96页 |
| ·增量学习的需求与内涵 | 第93-94页 |
| ·增量学习与整批学习 | 第94页 |
| ·增量学习与自适应在线学习 | 第94-96页 |
| ·支持向量机的增量学习算法 | 第96-101页 |
| ·简单算法 | 第97页 |
| ·局部算法 | 第97-99页 |
| ·递归算法 | 第99-100页 |
| ·单类支持向量机增量学习算法的不足 | 第100-101页 |
| ·集成单类支持向量机和增量聚类的完备样本区域描述方法 | 第101-105页 |
| ·样本集压缩的增量聚类算法 | 第101-104页 |
| ·集成单类支持向量机和增量聚类的完备样本区域描述方法 | 第104-105页 |
| ·完备样本区域描述方法在涡轮泵状态监测中的应用 | 第105-109页 |
| ·代表样本提取 | 第105-106页 |
| ·完备样本区域描述 | 第106-107页 |
| ·涡轮泵试车数据检测 | 第107-109页 |
| ·新异类检测方法在涡轮泵故障检测系统中的集成与验证 | 第109-114页 |
| ·涡轮泵故障检测系统的总体框架与硬件组成 | 第109-112页 |
| ·实时故障检测子系统 | 第112-113页 |
| ·新异类检测方法在试车后数据分析子系统中的集成与验证 | 第113-114页 |
| ·本章小结 | 第114-116页 |
| 第六章 基于单类支持向量机的故障诊断方法研究 | 第116-135页 |
| ·引言 | 第116页 |
| ·基于支持向量机的多类分类方法 | 第116-120页 |
| ·一对多方法 | 第117页 |
| ·一对一方法 | 第117-118页 |
| ·有向无环图层次结构方法 | 第118页 |
| ·二叉树层次结构方法 | 第118-119页 |
| ·二分层次结构方法 | 第119-120页 |
| ·纠错编码方法 | 第120页 |
| ·基于单类支持向量机的多类分类方法 | 第120-123页 |
| ·并联单类支持向量机 | 第120-121页 |
| ·串联单类支持向量机 | 第121-123页 |
| ·多类分类方法的比较 | 第123-127页 |
| ·运算速度的比较 | 第123-125页 |
| ·识别精度的比较 | 第125-127页 |
| ·其他性能的比较 | 第127页 |
| ·单类支持向量机多类分类方法在涡轮泵故障诊断中的应用 | 第127-133页 |
| ·涡轮泵诊断特征提取 | 第127-131页 |
| ·诊断方法选择 | 第131页 |
| ·涡轮泵各类状态检测器构建 | 第131-132页 |
| ·涡轮泵故障诊断 | 第132-133页 |
| ·本章小结 | 第133-135页 |
| 第七章 全文总结与展望 | 第135-140页 |
| ·全文总结 | 第135-138页 |
| ·完成的主要研究工作 | 第135-136页 |
| ·得出的主要结论 | 第136-138页 |
| ·主要创新点 | 第138页 |
| ·工作展望 | 第138-140页 |
| 致谢 | 第140-141页 |
| 参考文献 | 第141-151页 |
| 作者在学期间取得的学术成果 | 第151-152页 |
