基于支持向量机的汽车减振器示功图缺陷自动识别研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题研究背景及意义 | 第9-10页 |
| ·减振器缺陷识别发展概述 | 第10-13页 |
| ·国内外研究发展 | 第10-11页 |
| ·现存问题 | 第11-13页 |
| ·主要工作与创新点 | 第13页 |
| ·本论文组织结构 | 第13-15页 |
| 第2章 减振器示功图与正弦示功机 | 第15-23页 |
| ·汽车减振器 | 第15-17页 |
| ·汽车减振器简介 | 第15-16页 |
| ·汽车减振器原理 | 第16-17页 |
| ·减振器示功图 | 第17-19页 |
| ·减振器示功图定义 | 第17-18页 |
| ·减振器外特性试验 | 第18-19页 |
| ·电伺服正弦示功机测试台 | 第19-21页 |
| ·测试台简介 | 第19-21页 |
| ·测试台参数与性能 | 第21页 |
| ·本章小结 | 第21-23页 |
| 第3章 减振器示功图缺陷样本库的建立 | 第23-41页 |
| ·减振器示功图典型缺陷分析 | 第23-29页 |
| ·减振器示功图的预处理 | 第29-34页 |
| ·示功图尺寸归一化 | 第29-30页 |
| ·示功图二值化处理 | 第30-31页 |
| ·示功图细化处理 | 第31-32页 |
| ·示功图填充处理 | 第32-34页 |
| ·减振器示功图特征提取方式 | 第34-39页 |
| ·特征提取基本原则 | 第34-35页 |
| ·矩特征向量基本原理 | 第35-37页 |
| ·Hu矩特征向量不敏感性验证 | 第37-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 减振器缺陷识别支持向量机方法的研究 | 第41-57页 |
| ·统计学习理论 | 第41-47页 |
| ·统计学习一致性与关键定理 | 第42-44页 |
| ·学习机器的VC维 | 第44-45页 |
| ·推广性的界 | 第45-46页 |
| ·结构风险最小化 | 第46-47页 |
| ·支持向量机的理论基础 | 第47-54页 |
| ·最优分类面 | 第48-49页 |
| ·线性支持向量机 | 第49-52页 |
| ·非线性支持向量机 | 第52-53页 |
| ·支持向量机核函数 | 第53-54页 |
| ·支持向量机多分类算法 | 第54-56页 |
| ·一类对余类算法 | 第54-55页 |
| ·成对分类算法 | 第55页 |
| ·纠错输出编码算法 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 基于支持向量机的示功图识别测试与优化 | 第57-69页 |
| ·实验背景简介 | 第57-58页 |
| ·LibSVM工具箱简介 | 第58-60页 |
| ·数据准备格式 | 第58页 |
| ·训练与建模 | 第58-59页 |
| ·测试集的识别 | 第59-60页 |
| ·缺陷示功图自动识别实验 | 第60-67页 |
| ·关于归一化方式的测试 | 第60-61页 |
| ·关于核函数选择的测试 | 第61-62页 |
| ·关于模型参数优化的测试 | 第62-67页 |
| ·实验结果分析 | 第67页 |
| ·本章小结 | 第67-69页 |
| 第6章 结论与展望 | 第69-71页 |
| ·结论 | 第69页 |
| ·展望 | 第69-71页 |
| 参考文献 | 第71-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间参加的科研项目和成果 | 第75页 |
