| 中文摘要 | 第1-7页 |
| 英文摘要 | 第7-12页 |
| 1 绪论 | 第12-24页 |
| 1．1 机器学习是推进智能化故障诊断技术的关键 | 第12-13页 |
| 1．2 机器学习概述 | 第13-16页 |
| 1．2．1 机器学习研究的四个阶段 | 第13-14页 |
| 1．2．2 主要的学习策略 | 第14-15页 |
| 1．2．3 基本的学习方法 | 第15-16页 |
| 1．3 复杂系统故障诊断方法的评价 | 第16-20页 |
| 1．3．1 基于解析模型的故障诊断方法 | 第16-17页 |
| 1．3．2 基于信号处理的方法 | 第17-18页 |
| 1．3．3 基于知识的故障诊断方法 | 第18-20页 |
| 1．4 本文研究的内容和总体思路 | 第20-22页 |
| 1．5 论文结构安排 | 第22-24页 |
| 2 故障诊断的熵描述与多征兆域综合特征知识体 | 第24-40页 |
| 2．1 故障诊断的一般过程 | 第24-26页 |
| 2．1．1 故障诊断本质的非形式化描述 | 第24-26页 |
| 2．1．2 故障诊断的形式化描述 | 第26页 |
| 2．2 基于信息熵的诊断过程信息-知识流分析 | 第26-34页 |
| 2．2．1 信息、知识和智能的辨证关系 | 第26-28页 |
| 2．2．2 诊断过程中的信息-知识流的熵描述 | 第28-34页 |
| 2．3 多征兆域综合特征知识体的组成 | 第34-37页 |
| 2．4 M-K不同形式征兆的自动获取技术 | 第37-39页 |
| 2．5 本章小结 | 第39-40页 |
| 3 基于PCA和免疫聚类的双向特征数据压缩方法 | 第40-57页 |
| 3．1 引言 | 第40-41页 |
| 3．2 基于主元分析方法的横向特征参数降维处理 | 第41-44页 |
| 3．2．1 PCA的基本原理 | 第42-44页 |
| 3．3 基于免疫聚类算法的纵向压缩算法 | 第44-53页 |
| 3．3．1 几种聚类算法的比较 | 第44-47页 |
| 3．3．2 自然免疫相关机理 | 第47-49页 |
| 3．3．3 克隆选择算法的原理 | 第49页 |
| 3．3．4 基于主元核相似度的免疫聚类压缩算法 | 第49-53页 |
| 3．3．4．1 有关定义 | 第49-50页 |
| 3．3．4．2 算法符号与参数说明 | 第50页 |
| 3．3．4．3 算法流程 | 第50-51页 |
| 3．3．4．4 算法改进讨论 | 第51-53页 |
| 3．4 仿真实验 | 第53-56页 |
| 3．4．1 仿真对象说明 | 第53-54页 |
| 3．4．2 运用PCA方法进行降维压缩 | 第54-55页 |
| 3．4．3 免疫聚类的样本压缩 | 第55-56页 |
| 3．5 本章小结 | 第56-57页 |
| 4 小样本统计学习理论与SVM学习机 | 第57-72页 |
| 4．1 研究背景 | 第57页 |
| 4．2 基于SLT的机器学习理论的基本观点 | 第57-65页 |
| 4．2．1 机器学习问题的本质表示 | 第57-59页 |
| 4．2．2 经验风险最小化原则 | 第59-61页 |
| 4．2．3 关于不适定问题的理论 | 第61页 |
| 4．2．4 VC维 | 第61-62页 |
| 4．2．5 推广性的界理论 | 第62-64页 |
| 4．2．6 结构风险最小化原则 | 第64-65页 |
| 4．3 支持向量机算法 | 第65-69页 |
| 4．3．1 广义最优分类超平面 | 第65-66页 |
| 4．3．2 支持向量机分类算法的推导 | 第66-69页 |
| 4．4 算例 | 第69-71页 |
| 4．5 本章小结 | 第71-72页 |
| 5 基于SVM的2PTMC多类故障分类算法及其在柴油机故障诊断中的应用 | 第72-90页 |
| 5．1 支持向量机用于故障诊断的算法实现 | 第72-73页 |
| 5．2 基于2PTMC的多级SVM分类器 | 第73-77页 |
| 5．3 柴油机振动信号特征分析 | 第77-79页 |
| 5．4 基于小波包的振动信号特征提取 | 第79-82页 |
| 5．4．1 小波包变换的基本原理 | 第79-80页 |
| 5．4．2 柴油机振动信号特征提取 | 第80-82页 |
| 5．5 基于2PTMC的柴油机气门故障诊断 | 第82-87页 |
| 5．6 2PTMC的参数分析 | 第87-89页 |
| 5．7 本章小结 | 第89-90页 |
| 6 基于SVM学习方法的故障趋势预测研究 | 第90-100页 |
| 6．1 引言 | 第90-91页 |
| 6．2 支持向量机用于函数回归的方法 | 第91-95页 |
| 6．2．1 常用的损失函数的定义 | 第91-92页 |
| 6．2．2 函数回归的SVM方法 | 第92-95页 |
| 6．3 基于SVM的故障趋势预测研究 | 第95-99页 |
| 6．4 本章小结 | 第99-100页 |
| 7 建立复杂系统智能维护的免疫机制的新思路 | 第100-115页 |
| 7．1 引言 | 第100-102页 |
| 7．2 研究自然免疫系统可以借鉴的机理 | 第102-105页 |
| 7．3 借鉴人工免疫系统的研究成果 | 第105-106页 |
| 7．4 免疫Agent是复杂系统免疫机制的核心 | 第106-110页 |
| 7．4．1 Agent的定义与共性特点 | 第106-108页 |
| 7．4．2 免疫智能体 | 第108-110页 |
| 7．5 建立基于IMA的复杂系统免疫机制 | 第110-114页 |
| 7．6 本章小结 | 第114-115页 |
| 8 结论 | 第115-116页 |
| 致谢 | 第116-118页 |
| 参考文献 | 第118-126页 |
| 附：1．智能故障诊断中的机器学习平台的部分界面 | 第126-130页 |
| 2． 作者在攻读博士学位期间发表的论文目录 | 第130-131页 |
| 3． 作者在攻读博士学位期间参加的科研项目及得奖情况 | 第131页 |