| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文组织结构 | 第13-16页 |
| 第二章 支持向量分类器的基本理论 | 第16-26页 |
| 2.1 支持向量机的研究现状 | 第16页 |
| 2.2 统计学习理论 | 第16-20页 |
| 2.2.1 学习模型 | 第16-17页 |
| 2.2.2 经验风险最小化理论 | 第17页 |
| 2.2.3 学习一致性理论 | 第17-18页 |
| 2.2.4 VC维 | 第18页 |
| 2.2.5 推广误差边界 | 第18-19页 |
| 2.2.6 结构风险最小化理论 | 第19-20页 |
| 2.3 支持向量分类器 | 第20-25页 |
| 2.3.1 最优分类面 | 第20-23页 |
| 2.3.2 广义最优分类面 | 第23页 |
| 2.3.3 高维空间最优分类面 | 第23-24页 |
| 2.3.4 C-支持向量分类器 | 第24-25页 |
| 2.4 多类支持向量分类器 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 支持向量分类器的模型优化方法——特征选择 | 第26-45页 |
| 3.1 引言 | 第26-27页 |
| 3.2 特征选择综述 | 第27-29页 |
| 3.3 基于多维统计量类分离度的特征评价准则 | 第29-36页 |
| 3.3.1 算法设计 | 第30-33页 |
| 3.3.2 算法验证 | 第33-36页 |
| 3.4 基于多评价准则融合的特征选择算法 | 第36-43页 |
| 3.4.1 算法设计 | 第36-39页 |
| 3.4.2 算法验证 | 第39-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 支持向量分类器的模型优化方法——参数选择 | 第45-56页 |
| 4.1 引言 | 第45-46页 |
| 4.2 参数选择综述 | 第46-48页 |
| 4.3 基于“好区”识别模型的参数选择算法 | 第48-55页 |
| 4.3.1 算法设计 | 第49-51页 |
| 4.3.2 算法验证 | 第51-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于支持向量分类器的滚动轴承智能故障诊断方法 | 第56-77页 |
| 5.1 故障实验与数据采集 | 第56-60页 |
| 5.2 支持向量机模型优化方法在滚动轴承智能诊断中的应用 | 第60-75页 |
| 5.2.1 特征提取 | 第61-66页 |
| 5.2.2 特征选择 | 第66-69页 |
| 5.2.3 参数选择 | 第69-75页 |
| 5.3 本章小结 | 第75-77页 |
| 第六章 结论和展望 | 第77-79页 |
| 6.1 工作总结 | 第77-78页 |
| 6.2 工作展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 攻硕期间取得的研究成果 | 第86-87页 |