基于数据挖掘的火电厂设备状态检修研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-18页 |
| ·选题的理论意义和实用价值 | 第12-13页 |
| ·研究现状 | 第13-16页 |
| ·数据挖掘研究现状及发展趋势 | 第13-15页 |
| ·设备检修管理现状及发展趋势 | 第15-16页 |
| ·论文主要研究内容安排 | 第16-18页 |
| 第2章 数据挖掘技术概述 | 第18-26页 |
| ·数据挖掘的定义 | 第18页 |
| ·数据挖掘的过程 | 第18-20页 |
| ·数据准备阶段 | 第19页 |
| ·数据挖掘阶段 | 第19-20页 |
| ·结果解释和评估阶段 | 第20页 |
| ·数据挖掘的任务 | 第20-23页 |
| ·数据总结 | 第20-21页 |
| ·分类 | 第21-22页 |
| ·聚类 | 第22页 |
| ·关联分析 | 第22-23页 |
| ·数据挖掘方法 | 第23-25页 |
| ·关联规则 | 第23页 |
| ·决策树方法 | 第23-24页 |
| ·粗糙集方法 | 第24页 |
| ·神经网络方法 | 第24-25页 |
| ·遗传算法 | 第25页 |
| ·支持向量机 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第3章 数据挖掘的新方法——支持向量机 | 第26-38页 |
| ·机器学习问题 | 第26-27页 |
| ·统计学理论 | 第27-30页 |
| ·基本学习问题 | 第27-28页 |
| ·VC 维 | 第28页 |
| ·推广性的界理论 | 第28-29页 |
| ·结构风险最小化原则 | 第29-30页 |
| ·支持向量机理论 | 第30-37页 |
| ·线性支持向量机 | 第30-33页 |
| ·广义线性支持向量机 | 第33-34页 |
| ·支持向量机模型及核函数 | 第34-36页 |
| ·支持向量机的变形算法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 支持向量机在汽轮机故障诊断中应用 | 第38-52页 |
| ·汽轮机常见故障 | 第38页 |
| ·基于 SVM 的预测模型 | 第38-44页 |
| ·数据预处理 | 第39页 |
| ·特征选择 | 第39-41页 |
| ·SVM 的参数寻优 | 第41-44页 |
| ·实例分析 | 第44-50页 |
| ·数据预处理 | 第45-46页 |
| ·特征选择 | 第46页 |
| ·构建支持向量机及参数优化 | 第46-47页 |
| ·评估结果 | 第47-50页 |
| ·本章小结 | 第50-52页 |
| 第5章 设备检修管理系统研究分析 | 第52-60页 |
| ·EAM 设备维护管理平台 | 第52页 |
| ·设备管理子系统 | 第52-53页 |
| ·设备检修子系统 | 第53-58页 |
| ·本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 1 对本文研究的总结 | 第60页 |
| 2 对未来工作的展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66-67页 |
| 详细摘要 | 第67-70页 |
