| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·引言 | 第7页 |
| ·故障诊断的研究内容 | 第7-8页 |
| ·故障诊断方法的分类 | 第8-11页 |
| ·基于解析模型的故障诊断方法 | 第8-9页 |
| ·基于信号处理的故障诊断方法 | 第9页 |
| ·基于知识的故障诊断方法 | 第9-11页 |
| ·支持向量机在故障诊断中的应用 | 第11-12页 |
| ·故障诊断中的小样本问题 | 第11-12页 |
| ·支持向量机在故障诊断中的研究现状 | 第12页 |
| ·本文的主要研究工作 | 第12-14页 |
| 第二章 支持向量机理论基础 | 第14-22页 |
| ·引言 | 第14页 |
| ·统计学习理论相关知识 | 第14-18页 |
| ·机器学习问题的表示 | 第14-15页 |
| ·经验风险最小化 | 第15-16页 |
| ·学习机的 VC 维理论 | 第16-17页 |
| ·推广性的界 | 第17-18页 |
| ·结构风险最小化 | 第18页 |
| ·支持向量机原理 | 第18-21页 |
| ·最优分类面 | 第18-20页 |
| ·核函数 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 支持向量机多类分类器构造方法 | 第22-29页 |
| ·引言 | 第22页 |
| ·完全多类支持向量机 | 第22页 |
| ·组合多类支持向量机 | 第22-24页 |
| ·一对余类 | 第23页 |
| ·成对分类 | 第23-24页 |
| ·LIBSVM 软件 | 第24-26页 |
| ·LIBSVM 软件简介 | 第24页 |
| ·LIBSVM 软件的使用方法 | 第24-26页 |
| ·仿真实例 | 第26-28页 |
| ·样本数据 | 第26-27页 |
| ·多类 SVM 故障分类器 | 第27-28页 |
| ·结果分析 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第四章 基于特征选择算法的支持向量机多类分类器的构造 | 第29-35页 |
| ·引言 | 第29页 |
| ·特征选择 | 第29-30页 |
| ·仿真实验 | 第30-34页 |
| ·样本数据 | 第30-32页 |
| ·实验结果 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第五章 铁轨应力故障诊断技术研究及系统实现 | 第35-44页 |
| ·任务来源 | 第35页 |
| ·背景简介 | 第35-37页 |
| ·基于神经网络的铁轨应力故障诊断技术及系统实现 | 第37-40页 |
| ·基于 BP 神经网络的诊断技术方案 | 第37-38页 |
| ·铁轨应力故障诊断的系统实现 | 第38-40页 |
| ·支持向量机在铁轨应力故障诊断中的应用 | 第40-41页 |
| ·M-ary 支持向量机在铁轨应力故障诊断中的应用 | 第41-43页 |
| ·引言 | 第41页 |
| ·M-ary 支持向量机分类算法 | 第41-42页 |
| ·仿真实验 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第六章 总结与展望 | 第44-46页 |
| ·本文的主要研究工作 | 第44页 |
| ·后续工作的思考和展望 | 第44-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第52页 |