论文目录 | |
| 摘要 | 第1-6
页 |
| Abstract | 第6-11
页 |
| 1 绪论 | 第11-24
页 |
| · 论文研究的背景及意义 | 第11-12
页 |
| · 支持向量机的研究现状以及特点分析 | 第12-20
页 |
| · 支持向量机学习算法研究 | 第13-14
页 |
| · 支持向量机训练算法研究 | 第14-16
页 |
| · 支持向量机多类分类方法研究 | 第16-17
页 |
| · 支持向量机核函数构造及选择研究 | 第17-18
页 |
| · 支持向量机参数优化研究 | 第18-19
页 |
| · 支持向量机特点 | 第19-20
页 |
| · 故障诊断中的支持向量机方法 | 第20-21
页 |
| · 论文的研究内容 | 第21-23
页 |
| · 论文的组织结构 | 第23-24
页 |
| 2 支持向量机学习算法概述 | 第24-42
页 |
| · 统计学习理论 | 第24-30
页 |
| · 经验风险 | 第24-26
页 |
| · VC维 | 第26
页 |
| · 学习过程的一致性 | 第26-28
页 |
| · 结构风险最小归纳原理 | 第28-30
页 |
| · 支持向量机分类 | 第30-35
页 |
| · 最优超平面 | 第30-31
页 |
| · 线性可分情况及线性不可分情况 | 第31-33
页 |
| · 非线性情况及核函数 | 第33-35
页 |
| · 支持向量 | 第35
页 |
| · 支持向量机的变形算法 | 第35-41
页 |
| · ν-SVM | 第36
页 |
| · One-class SVM算法 | 第36-38
页 |
| · 最小二乘支持向量机(LS-SVM) | 第38
页 |
| · 广义支持向量机(GSVM) | 第38-39
页 |
| · 模糊支持向量机(FSVM) | 第39
页 |
| · 各种变形算法的比较 | 第39-40
页 |
| · 基于组合的支持向量机算法 | 第40-41
页 |
| · 本章小结 | 第41-42
页 |
| 3 模糊多类直接分类支持向量机算法研究 | 第42-65
页 |
| · 引言 | 第42-43
页 |
| · 多类支持向量机分类方法及其特点分析 | 第43-50
页 |
| · 间接构造多类分类器 | 第43-48
页 |
| · 直接构造多类分类器 | 第48-50
页 |
| · 模糊补偿多类支持向量机 | 第50-58
页 |
| · 模糊性与模糊支持向量机 | 第50-52
页 |
| · 模糊补偿多类支持向量机FC-SVM | 第52-58
页 |
| · 基于Crammer和Singer的模糊多类分类器FCS-SVM | 第58-61
页 |
| · 算法实验分析与比较 | 第61-64
页 |
| · 本章小结 | 第64-65
页 |
| 4 一种基于Vague-Sigmoid核的支持向量机研究 | 第65-76
页 |
| · 引言 | 第65-66
页 |
| · 核函数 | 第66-67
页 |
| · Vague集与模糊核 | 第67-70
页 |
| · Vague集的概念 | 第67-68
页 |
| · 模糊核思想 | 第68-70
页 |
| · Vague-Sigmoid核支持向量机 | 第70-73
页 |
| · Vague-Sigrnoid核支持向量机算法描述 | 第70
页 |
| · 训练样本Vague值的计算方法 | 第70-72
页 |
| · Vague集的相似度量及Vague-Sigmoid核的表示 | 第72-73
页 |
| · 实验比较 | 第73-75
页 |
| · 本章小结 | 第75-76
页 |
| 5 基于改进的PCM支持向量数据描述多类分类器 | 第76-95
页 |
| · 引言 | 第76-77
页 |
| · 数据域描述问题 | 第77-81
页 |
| · 1-类(One-Class)分类问题描述 | 第78
页 |
| · 支持向量数据描述 | 第78-81
页 |
| · 改进的PCM算法 | 第81-83
页 |
| · 基于改进的PCM加权支持向量数据描述 | 第83-88
页 |
| · 加权SVDD方法 | 第83-86
页 |
| · 提出的算法描述 | 第86-88
页 |
| · 算法理论依据 | 第88-91
页 |
| · 贝叶斯决策理论 | 第88-90
页 |
| · 提出算法的理论说明 | 第90-91
页 |
| · 实验分析 | 第91-94
页 |
| · 本章小结 | 第94-95
页 |
| 6 支持向量机在旋转机械故障诊断中的应用 | 第95-107
页 |
| · 引言 | 第95-96
页 |
| · 故障诊断系统体系结构 | 第96-100
页 |
| · 系统知识库及其管理软件 | 第97-98
页 |
| · 故障征兆提取 | 第98
页 |
| · 支持向量机学习系统 | 第98-99
页 |
| · 动态数据库 | 第99
页 |
| · 推理机及解释机制 | 第99-100
页 |
| · 基于正负类样本的支持向量数据描述分类(NWSVDD) | 第100-102
页 |
| · 实验分析 | 第102-106
页 |
| · 多类分类方法用于旋转机械故障模式识别 | 第103-104
页 |
| · 基于Vague-Sigmoid核的SVM方法用于旋转机械故障模式识别 | 第104-105
页 |
| · SVDD方法用于旋转机械故障模式识别 | 第105-106
页 |
| · 本章小结 | 第106-107
页 |
| 7 总结与展望 | 第107-110
页 |
| 参考文献 | 第110-121
页 |
| 攻读博士学位期间发表和完成学术论文情况 | 第121-123
页 |
| 创新点摘要 | 第123-124
页 |
| 致谢 | 第124-125
页 |
