| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 多变量时间序列预测方法 | 第11-12页 |
| 1.2.2 滚动轴承衰退趋势结构化预测 | 第12-13页 |
| 1.3 论文主要内容及创新点 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 研究的创新点 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 相关理论介绍 | 第17-25页 |
| 2.1 SVM相关介绍 | 第17-20页 |
| 2.1.1 支持向量机 | 第17-18页 |
| 2.1.2 多维支持向量回归机 | 第18-19页 |
| 2.1.3 最小二乘支持向量回归机 | 第19-20页 |
| 2.2 层次聚类方法 | 第20-21页 |
| 2.3 时间序列相似性度量 | 第21页 |
| 2.4 主曲线 | 第21-22页 |
| 2.5 相空间重构 | 第22-23页 |
| 2.5.1 单变量相空间重构 | 第22页 |
| 2.5.2 多变量相空间重构 | 第22-23页 |
| 2.6 本章小结 | 第23-25页 |
| 第三章 基于异常序列剔除的多变量时间序列结构化预测方法研究 | 第25-51页 |
| 3.1 多变量时间序列结构化预测方法 | 第25-29页 |
| 3.1.1 定义 | 第25-26页 |
| 3.1.2 基于模糊熵的时间序列聚类方法 | 第26-27页 |
| 3.1.3 基于主曲线的异常序列的检测 | 第27-28页 |
| 3.1.4 M-SVR建模 | 第28页 |
| 3.1.5 算法描述 | 第28-29页 |
| 3.2 理论分析 | 第29-32页 |
| 3.2.1 异常序列剔除过程信息损失 | 第30-31页 |
| 3.2.2 模型可靠度 | 第31-32页 |
| 3.3 仿真实验 | 第32-49页 |
| 3.3.1 混沌时间序列预测 | 第33-41页 |
| 3.3.2 UCI公共数据集 | 第41-46页 |
| 3.3.3 澳门气象数据集 | 第46-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 基于PSW度量的多变量序列结构化递归预测方法 | 第51-67页 |
| 4.1 相空间曲变 | 第51-53页 |
| 4.2 轴承衰退趋势递归预测算法 | 第53-57页 |
| 4.2.1 基于PSW的时间序列聚类 | 第53-54页 |
| 4.2.2 基于主曲线的元数据提取 | 第54-55页 |
| 4.2.3 LS-SVM建模 | 第55-56页 |
| 4.2.4 算法描述 | 第56-57页 |
| 4.3 仿真实验 | 第57-65页 |
| 4.3.1 PHM 2012 Data Challenge数据集介绍 | 第57-58页 |
| 4.3.2 数据预处理 | 第58-59页 |
| 4.3.3 实验结果 | 第59-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间的科研成果 | 第73-75页 |
