| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·课题研究的意义 | 第10-13页 |
| ·故障模式识别技术及发展 | 第10-11页 |
| ·当今故障模式识别中存在的问题 | 第11-12页 |
| ·支持向量机故障模式识别方法 | 第12-13页 |
| ·国内外研究现状 | 第13-15页 |
| ·故障模式识别研究 | 第13页 |
| ·支持向量机的理论与应用研究 | 第13-15页 |
| ·论文的研究内容和结构安排 | 第15-16页 |
| 2 故障模式识别 | 第16-29页 |
| ·故障模式识别概述 | 第16-17页 |
| ·故障模式识别技术及方法研究 | 第17-20页 |
| ·基于解析模型的故障诊断方法 | 第18页 |
| ·基于信号处理的诊断方法 | 第18页 |
| ·基于知识的诊断方法 | 第18-20页 |
| ·故障特征提取及选择方法 | 第20-28页 |
| ·特征提取的基本概念 | 第20-21页 |
| ·特征数据的压缩问题 | 第21页 |
| ·特征维数与识别率的关系 | 第21页 |
| ·特征选择与特征提取 | 第21-22页 |
| ·主成分分析法 | 第22-23页 |
| ·核主成分分析法 | 第23-28页 |
| ·本章小结 | 第28-29页 |
| 3 机器学习与统计学习理论 | 第29-37页 |
| ·引言 | 第29页 |
| ·机器学习的基本理论 | 第29-32页 |
| ·机器学习问题的表示 | 第29-31页 |
| ·经验风险最小化 | 第31-32页 |
| ·学习机器的推广能力与复杂性 | 第32页 |
| ·统计学习理论 | 第32-35页 |
| ·VC维理论 | 第33页 |
| ·推广性的界 | 第33-34页 |
| ·结构风险最小化 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 4 支持向量机 | 第37-56页 |
| ·引言 | 第37-38页 |
| ·SVM概述 | 第37页 |
| ·SVM的特点 | 第37-38页 |
| ·支持向量机的基本思想 | 第38-41页 |
| ·最优分类面 | 第38-40页 |
| ·广义的最优分类面 | 第40-41页 |
| ·核函数 | 第41-43页 |
| ·核函数的定义与基本性质 | 第42页 |
| ·常用的核函数 | 第42-43页 |
| ·基于分类的支持向量机 | 第43-48页 |
| ·SVM分类的原理 | 第43-44页 |
| ·多类分类问题及经典的多分类算法 | 第44-48页 |
| ·改进的DDAG-SVM多分类算法 | 第48-50页 |
| ·SVM模型选择 | 第50-51页 |
| ·LibSVM软件介绍 | 第51-55页 |
| ·LibSVM的数据格式 | 第51-53页 |
| ·LibSVM工具的使用 | 第53-55页 |
| ·改进的DDAG-SVM多分类方法与LibSVM工具的结合 | 第55页 |
| ·本章小结 | 第55-56页 |
| 5 基于改进DDAG-SVM的钢板故障模式识别实现 | 第56-73页 |
| ·故障模式分析 | 第56-57页 |
| ·基于改进DDAG-SVM的钢板故障模式识别过程 | 第57-68页 |
| ·故障样本数据预处理 | 第59-61页 |
| ·训练和测试样本的选取 | 第61-63页 |
| ·故障样本特征提取及选择 | 第63-64页 |
| ·改进的DDAG-SVM分类器设计 | 第64-68页 |
| ·实验结果与分析 | 第68-72页 |
| ·故障样本特征提取 | 第68页 |
| ·选用不同的核函数及参数设计分类器 | 第68-70页 |
| ·故障样本训练集与测试集的选择 | 第70页 |
| ·改进DDAG-SVM方法的分类识别准确率 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 6 结论 | 第73-76页 |
| ·工作总结 | 第73-74页 |
| ·工作展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士期间发表的论文 | 第80-81页 |
| 致谢 | 第81-83页 |