面向旋转机械的支持向量机故障智能诊断方法及实验研究
| 摘要 | 第1-3页 |
| Abstract | 第3-8页 |
| 缩写与符号 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| ·课题研究的背景和意义 | 第9页 |
| ·支持向量机的国内外研究现状 | 第9-12页 |
| ·支持向量机理论及其应用研究 | 第10-11页 |
| ·支持向量机在故障智能诊断中的研究 | 第11-12页 |
| ·论文研究的主要内容和结构安排 | 第12-14页 |
| ·主要内容 | 第13页 |
| ·结构安排 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 支持向量机理论基础 | 第15-24页 |
| ·引言 | 第15页 |
| ·机器学习理论 | 第15-16页 |
| ·机器学习 | 第15-16页 |
| ·经验风险最小化原则 | 第16页 |
| ·复杂性与推广能力 | 第16页 |
| ·统计学习理论 | 第16-18页 |
| ·VC 维 | 第16-17页 |
| ·推广性的界 | 第17页 |
| ·结构风险最小化 | 第17-18页 |
| ·支持向量机 | 第18-22页 |
| ·线性支持向量机 | 第18-20页 |
| ·非线性支持向量机 | 第20-21页 |
| ·核函数 | 第21-22页 |
| ·基于支持向量机故障诊断的基本步骤 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 实验设计 | 第24-34页 |
| ·引言 | 第24页 |
| ·实验设计 | 第24-28页 |
| ·实验设备 | 第24-25页 |
| ·振动信号的检测 | 第25-26页 |
| ·典型故障实验设计 | 第26-28页 |
| ·数据采集系统设计 | 第28页 |
| ·振动信号故障特征的提取 | 第28-33页 |
| ·小波包故障特征提取算法 | 第29-31页 |
| ·故障特征提取算例 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于支持向量机的多类分类器研究 | 第34-41页 |
| ·引言 | 第34页 |
| ·多类分类算法 | 第34-39页 |
| ·常用的多类分类算法 | 第34-37页 |
| ·基于聚类的二叉树多类 SVM 算法 | 第37-39页 |
| ·仿真实验与结果分析 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 故障分类器核函数的参数优化 | 第41-48页 |
| ·引言 | 第41页 |
| ·核函数参数的优化方法 | 第41-45页 |
| ·常用的参数优化算法 | 第41-42页 |
| ·核参数模型的建立 | 第42-43页 |
| ·粒子群优化算法 | 第43-45页 |
| ·仿真实验与结果分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 支持向量机故障分类器增量学习研究 | 第48-56页 |
| ·引言 | 第48页 |
| ·增量学习算法 | 第48-53页 |
| ·几种支持向量机增量学习算法 | 第49-50页 |
| ·支持向量的特点分析 | 第50-51页 |
| ·增量学习后支持向量的变化分析 | 第51-52页 |
| ·增量学习算法 | 第52-53页 |
| ·实验研究与结果分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第七章 总结与展望 | 第56-57页 |
| ·论文总结 | 第56页 |
| ·研究展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 附录 转子实验台部分样本特征向量 | 第62-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63-64页 |
