支持向量机及其在故障诊断中的应用研究
| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 引言 | 第7-15页 |
| ·选题背景及意义 | 第7-8页 |
| ·故障诊断方法概述 | 第8-10页 |
| ·一般的故障诊断方法 | 第8-9页 |
| ·智能故障诊断方法 | 第9-10页 |
| ·统计学习理论与故障诊断 | 第10-13页 |
| ·故障诊断中的小样本问题 | 第10-11页 |
| ·支持向量机的优点 | 第11-12页 |
| ·支持向量机在故障诊断中的研究现状 | 第12-13页 |
| ·本文研究内容 | 第13-15页 |
| 第二章 统计学习理论和支持向量机 | 第15-29页 |
| ·机器学习问题的基本理论 | 第15-17页 |
| ·机器学习问题的表示 | 第15-16页 |
| ·经验风险最小化原则 | 第16页 |
| ·学习机器的复杂性与推广能力 | 第16-17页 |
| ·统计学习理论 | 第17-21页 |
| ·VC 维 | 第17-18页 |
| ·推广性的界 | 第18-20页 |
| ·结构风险最小化原则 | 第20-21页 |
| ·支持向量机 | 第21-27页 |
| ·线性可分 | 第21-23页 |
| ·近似线性可分 | 第23-25页 |
| ·非线性情形 | 第25-27页 |
| ·基于支持向量机的故障诊断方法 | 第27-28页 |
| ·基于支持向量机故障诊断的基本步骤 | 第27页 |
| ·多故障分类器算法的建立 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 支持向量机在发电机故障诊断中的应用 | 第29-39页 |
| ·发电机故障诊断的研究概况 | 第29-30页 |
| ·发电机典型故障及诊断方法评述 | 第30-33页 |
| ·发电机电气故障 | 第31-32页 |
| ·发电机振动故障 | 第32-33页 |
| ·基于SVM 的发电机故障诊断 | 第33-37页 |
| ·实验数据采集 | 第33-35页 |
| ·特征提取及样本构建 | 第35-36页 |
| ·故障诊断模型建立及仿真结果分析 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 支持向量机在滚动轴承故障诊断中的应用 | 第39-50页 |
| ·滚动轴承故障概述 | 第39-40页 |
| ·滚动轴承结构分析 | 第39页 |
| ·滚动轴承典型故障 | 第39-40页 |
| ·滚动轴承故障诊断方法评述 | 第40-42页 |
| ·基于LS－SVM 的滚动轴承故障诊断 | 第42-48页 |
| ·LS－SVM 算法 | 第42-43页 |
| ·特征提取 | 第43-44页 |
| ·实验验证 | 第44-48页 |
| ·本章小结 | 第48-50页 |
| 第五章 结论 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间发表的学术论文和参加科研情况 | 第56页 |
