基于SVM的六足机器人单腿机械损伤检测研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要研究内容及创新点 | 第11-13页 |
| 1.3.1 主要研究内容 | 第11-12页 |
| 1.3.2 创新点 | 第12-13页 |
| 1.4 本文组织结构 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 SVM算法理论基础 | 第14-27页 |
| 2.1 机器学习问题 | 第14-15页 |
| 2.1.1 机器学习的表述 | 第14页 |
| 2.1.2 经验风险最小化原则 | 第14-15页 |
| 2.2 统计学习理论 | 第15-16页 |
| 2.2.1 VC维 | 第15页 |
| 2.2.2 结构风险最小化原则 | 第15-16页 |
| 2.3 核函数 | 第16页 |
| 2.4 分类问题 | 第16-20页 |
| 2.4.1 线性硬间隔分类机 | 第16-18页 |
| 2.4.2 线性软间隔分类机 | 第18页 |
| 2.4.3 支持向量分类机 | 第18-20页 |
| 2.5 回归问题 | 第20-26页 |
| 2.5.1 线性回归情况 | 第20-23页 |
| 2.5.2 支持向量回归机 | 第23-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于改进GS方法多参数优化的SVM建模 | 第27-40页 |
| 3.1 核函数的选择及优化参数的确定 | 第27-28页 |
| 3.2 分类参数寻优 | 第28-31页 |
| 3.2.1 分类参数评价方式 | 第28-29页 |
| 3.2.2 分类“好区”识别 | 第29-31页 |
| 3.3 回归参数寻优 | 第31-36页 |
| 3.3.1 回归参数评价方式 | 第31-32页 |
| 3.3.2 回归“好区”识别 | 第32-36页 |
| 3.4 参数优化方法综述 | 第36-38页 |
| 3.4.1 常用方法综述 | 第36-37页 |
| 3.4.2 改进的网格搜索方法 | 第37-38页 |
| 3.5 基于分类/回归“好区”的改进网格搜索算法 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 4 基于大型六足机器人的实验 | 第40-82页 |
| 4.1 样本获取 | 第40-52页 |
| 4.1.1 六足机器人简介 | 第40-42页 |
| 4.1.2 原始数据获取方法 | 第42-45页 |
| 4.1.3 特征向量预处理 | 第45-52页 |
| 4.2 损伤诊断 | 第52-67页 |
| 4.2.1 构建输入样本集 | 第52页 |
| 4.2.2 SVM用于机械损伤判别 | 第52-65页 |
| 4.2.3 人工神经网络方法用于机械损伤识别实验 | 第65-67页 |
| 4.2.4 故障诊断小结 | 第67页 |
| 4.3 损伤模式识别 | 第67-76页 |
| 4.3.1 构建输入样本集 | 第67-68页 |
| 4.3.2 SVM多分类方法 | 第68-70页 |
| 4.3.3 SVM用于机械损伤模式识别 | 第70-75页 |
| 4.3.4 神经网络用于损伤识别 | 第75-76页 |
| 4.3.5 损伤识别小结 | 第76页 |
| 4.4 损伤定位 | 第76-80页 |
| 4.4.1 构建输入样本集 | 第76-77页 |
| 4.4.2 SVM用于机械损伤定位 | 第77-80页 |
| 4.4.3 神经网络用于损伤定位 | 第80页 |
| 4.5 本章小结 | 第80-82页 |
| 结论 | 第82-84页 |
| 一、总结 | 第82页 |
| 二、展望 | 第82-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第89页 |
