| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-17页 |
| ·选题的背景及意义 | 第7-8页 |
| ·水轮发电机组常见振动故障类型及诊断方法 | 第8-12页 |
| ·水轮发电机组常见振动故障类型 | 第8-9页 |
| ·水轮发电组振动故障的诊断方法 | 第9-12页 |
| ·国内外相关技术发展现状 | 第12-14页 |
| ·国外相关技术发展现状 | 第12页 |
| ·国内相关技术发展现状 | 第12-14页 |
| ·水电机组状态监测与故障诊断技术发展趋势 | 第14-15页 |
| ·本文主要研究内容 | 第15-17页 |
| 2 支持向量机理论与分类算法 | 第17-27页 |
| ·统计学理论 | 第17-19页 |
| ·VC维 | 第17页 |
| ·推广性的界 | 第17-18页 |
| ·结构风险最小化原则 | 第18-19页 |
| ·支持向量机 | 第19-24页 |
| ·支持向量机分类 | 第19-23页 |
| ·支持向量机回归 | 第23页 |
| ·核函数 | 第23-24页 |
| ·最小二乘支持向量机(LS-SVM)分类 | 第24-25页 |
| ·试验仿真 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 粒子群优化算法 | 第27-39页 |
| ·基本粒子群优化算法 | 第27-30页 |
| ·基本粒子群优化算法原理 | 第27-28页 |
| ·基本粒子群优化算法的社会行为分析 | 第28页 |
| ·基本粒子群优化算法流程 | 第28-29页 |
| ·粒子群算法的特点 | 第29-30页 |
| ·粒子群优化算法的发展 | 第30-33页 |
| ·引入惯性因子的粒子群优化算法 | 第30页 |
| ·引入收敛因子的粒子群优化算法 | 第30-31页 |
| ·引入拓扑结构的粒子群优化算法 | 第31-32页 |
| ·考虑种群规模的粒子群优化算法 | 第32-33页 |
| ·几种改进的粒子群算法 | 第33-35页 |
| ·参数改进粒子群算法 | 第33-34页 |
| ·混合粒子群算法 | 第34页 |
| ·免疫粒子群算法 | 第34-35页 |
| ·改进速度更新公式的粒子群算法 | 第35页 |
| ·粒子群算法的改进 | 第35-38页 |
| ·粒子群算法的改进 | 第35-37页 |
| ·改进粒子群算法的基本步骤 | 第37-38页 |
| ·性能测试 | 第38页 |
| ·本章小结 | 第38-39页 |
| 4 基于改进PSO的LS-SVM参数的选择 | 第39-47页 |
| ·常用的支持向量机分类算法参数的选择 | 第39-40页 |
| ·网格搜索法 | 第39-40页 |
| ·交叉验证法 | 第40页 |
| ·基于粒子群的LS-SVM分类算法参数的选择 | 第40-42页 |
| ·诊断仿真1 | 第42-43页 |
| ·诊断仿真2 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 5 基于PSO-(LS-SVM)的水轮发电机组振动故障诊断 | 第47-53页 |
| ·信号特征提取方法 | 第47-48页 |
| ·经验模态分解(EMD) | 第47-48页 |
| ·AR模型的建立 | 第48页 |
| ·基于PSO-(LS-SVM)的水轮发电机故障诊断应用实例 | 第48-51页 |
| ·本章小结 | 第51-53页 |
| 6 结论与展望 | 第53-55页 |
| ·结论 | 第53页 |
| ·展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士期间发表的论文 | 第61页 |