基于支持向量机的电缆故障识别
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 1 绪论 | 第10-14页 |
| ·选题背景及研究的意义 | 第10页 |
| ·支持向量机的发展概述 | 第10-13页 |
| ·支持向量机的发展 | 第10-11页 |
| ·支持向量机的研究现状 | 第11-12页 |
| ·支持向量机的应用 | 第12-13页 |
| ·论文的主要工作与全文结构 | 第13-14页 |
| 2 机器学习与统计学习理论概述 | 第14-20页 |
| ·机器学习 | 第14-16页 |
| ·基于数据的机器学习问题模型 | 第14-15页 |
| ·经验风险最小化 | 第15-16页 |
| ·复杂性与推广能力 | 第16页 |
| ·统计学习理论的基本内容 | 第16-20页 |
| ·VC 维 | 第16-17页 |
| ·推广性的界 | 第17-18页 |
| ·结构风险最小化原理 | 第18-20页 |
| 3 支持向量机理论 | 第20-35页 |
| ·SVM 基本方法 | 第20-24页 |
| ·线性支持向量机 | 第20-22页 |
| ·非线性支持向量机 | 第22-24页 |
| ·核函数 | 第24-25页 |
| ·各种改进的支持向量机算法 | 第25-31页 |
| ·C-SVM 算法及其变形算法 | 第25-26页 |
| ·v-SVM 算法及其变形算法 | 第26-27页 |
| ·One-class SVM 算法 | 第27-28页 |
| ·RSVM 算法 | 第28-30页 |
| ·WSVM(weighted SVM)算法 | 第30-31页 |
| ·LS-SVM 算法 | 第31页 |
| ·各种改进的支持向量机算法的比较 | 第31-32页 |
| ·不同核函数的仿真实验 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 4 基于SVM 的多类分类方法 | 第35-46页 |
| ·几种常用的SVM 多类分类方法 | 第35-40页 |
| ·一类对余类 | 第35-36页 |
| ·一类对一类 | 第36-37页 |
| ·一次性求解方法 | 第37-38页 |
| ·决策有向无环图 | 第38-39页 |
| ·决策二叉树方法 | 第39-40页 |
| ·纠错输出编码方法 | 第40页 |
| ·改进的决策二叉树多类分类方法 | 第40-44页 |
| ·决策二叉树的基本分类方法 | 第40-42页 |
| ·基于凸壳的二叉树多类分类SVM 方法 | 第42-44页 |
| ·常用SVM 多类分类方法实验分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 5 电力电缆故障诊断 | 第46-56页 |
| ·电力电缆故障诊断技术概述 | 第46-50页 |
| ·电力电缆故障产生原因 | 第46-47页 |
| ·电力电缆故障的分类 | 第47页 |
| ·电力电缆故障性质的诊断 | 第47-48页 |
| ·电力电缆故障诊断过程 | 第48-50页 |
| ·电力电缆故障识别分析 | 第50-52页 |
| ·信号的获取 | 第50-51页 |
| ·故障特征选择与提取 | 第51-52页 |
| ·电缆故障识别仿真实验 | 第52-55页 |
| ·数据准备 | 第52-53页 |
| ·实验与分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 6 结论 | 第56-58页 |
| ·结论 | 第56页 |
| ·展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63页 |
