基于多分类支持向量机的核电站故障诊断技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 本课题研究的背景及意义 | 第10页 |
| 1.2 故障诊断技术研究概况 | 第10-13页 |
| 1.2.1 故障诊断技术的研究 | 第10-12页 |
| 1.2.2 核电站故障诊断技术的研究 | 第12-13页 |
| 1.3 支持向量机的研究现状 | 第13-14页 |
| 1.4 论文的研究内容及结构安排 | 第14-16页 |
| 第2章 核电站典型故障及 SVM 的理论基础 | 第16-36页 |
| 2.1 核电站系统及典型故障 | 第16-20页 |
| 2.1.1 核电站主要系统简介 | 第16-17页 |
| 2.1.2 核电站典型故障及特征 | 第17-20页 |
| 2.2 统计学习理论基础 | 第20-23页 |
| 2.2.1 函数集的 VC 维 | 第20-22页 |
| 2.2.2 推广性的界 | 第22-23页 |
| 2.2.3 结构风险最小化原则 | 第23页 |
| 2.3 支持向量机 | 第23-34页 |
| 2.3.1 线性可分情况 | 第24-27页 |
| 2.3.2 非线性可分情况 | 第27-28页 |
| 2.3.3 支持向量机的学习算法及其步骤 | 第28-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 基于多分类支持向量机的故障诊断研究 | 第36-56页 |
| 3.1 核电站故障样本的获取 | 第36-37页 |
| 3.1.1 故障参数的选择 | 第36-37页 |
| 3.1.2 样本信息 | 第37页 |
| 3.2 多分类问题 | 第37-43页 |
| 3.2.1 全局多类支持向量机 | 第37-39页 |
| 3.2.2 组合多类支持向量机 | 第39-43页 |
| 3.3 核电站故障诊断的设计 | 第43-48页 |
| 3.3.1 故障诊断方案设计 | 第43-45页 |
| 3.3.2 核函数的选取及参数的优化方法 | 第45-48页 |
| 3.4 核电站故障诊断的实现 | 第48-54页 |
| 3.4.1 数据预处理 | 第49-51页 |
| 3.4.2 不同核函数分类结果对比 | 第51页 |
| 3.4.3 不同核参数优化方法对比 | 第51-53页 |
| 3.4.4 与神经网络分类结果对比 | 第53-54页 |
| 3.5 本章小结 | 第54-56页 |
| 第4章 核电站故障参数的预测研究 | 第56-64页 |
| 4.1 核电站故障样本信息 | 第56页 |
| 4.2 模糊信息粒化 | 第56-58页 |
| 4.2.1 信息粒化简介 | 第56-58页 |
| 4.2.2 模糊信息粒化模型 | 第58页 |
| 4.3 核电站故障参数的预测实现 | 第58-63页 |
| 4.3.1 预测模型建立 | 第58-59页 |
| 4.3.2 模糊信息粒化 | 第59-60页 |
| 4.3.3 故障参数回归预测 | 第60-62页 |
| 4.3.4 故障参数预测效果验证 | 第62-63页 |
| 4.4 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69页 |
