| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 故障诊断的原理及技术 | 第11-12页 |
| 1.2.1 故障诊断任务 | 第11-12页 |
| 1.2.2 故障诊断的实现过程 | 第12页 |
| 1.3 研究现状及其发展趋势 | 第12-15页 |
| 1.3.1 过程工业存在的问题 | 第12-13页 |
| 1.3.2 过程工业的诊断方法 | 第13-15页 |
| 1.4 本文的主要工作 | 第15-18页 |
| 1.4.1 课题的研究思路 | 第15页 |
| 1.4.2 本课题研究的主要内容 | 第15-18页 |
| 第二章 过程工业故障诊断方法分析及仿真对象介绍 | 第18-28页 |
| 2.1 基于多元统计分析方法的过程工业故障诊断方法 | 第18-21页 |
| 2.1.1 独立元分析方法简介 | 第19页 |
| 2.1.2 过程工业的非线性问题 | 第19-21页 |
| 2.2 仿真对象介绍 | 第21-28页 |
| 第三章 基于核独立元分析和最小二乘支持向量机的过程工业故障诊断 | 第28-56页 |
| 3.1 独立元分析方法 | 第29-35页 |
| 3.2 核独立元分析方法 | 第35-40页 |
| 3.2.1 核独立元分析原理 | 第35-37页 |
| 3.2.2 故障检测模型 | 第37-38页 |
| 3.2.3 故障检测过程 | 第38-40页 |
| 3.3 最小二乘支持向量机介绍 | 第40-44页 |
| 3.3.1 统计学习理论 | 第40-41页 |
| 3.3.2 机器学习模型 | 第41-42页 |
| 3.3.3 经验风险最小化原则 | 第42页 |
| 3.3.4 复杂性与推广能力 | 第42-44页 |
| 3.4 支持向量机 | 第44-51页 |
| 3.4.1 分类支持向量机原理 | 第44-48页 |
| 3.4.2 最小二乘支持向量机 | 第48-51页 |
| 3.5 仿真结果与分析 | 第51-56页 |
| 第四章 ：基于稀疏核独立元分析的过程工业故障诊断 | 第56-64页 |
| 4.1 稀疏核独立元分析 | 第56-57页 |
| 4.1.1 样本基提取 | 第56-57页 |
| 4.2 稀疏核独立元分析 | 第57-59页 |
| 4.3 统计量的计算 | 第59页 |
| 4.4 基于稀疏核独立元故障诊断 | 第59-62页 |
| 4.4.1 仿真验证 | 第60-61页 |
| 4.4.2 基于SKICA-LSSVM的故障诊断 | 第61-62页 |
| 4.5 结论 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 附录A 攻读硕士期间发表的论文 | 第72页 |
| 附录B 攻读硕士学位期间申请计算机软件著作权情况 | 第72页 |
| 附录C 攻读硕士学位期间获奖情况 | 第72页 |