声明
摘要
第1章 绪论
1.1 课题研究背景及意义
1.2 流程工业过程故障诊断技术的发展与现状
1.2.1 故障诊断的基本概念
1.2.2 流程工业过程故障诊断技术的发展
1.2.3 故障诊断常用方法
1.2.4 基于支持向量机的故障诊断方法
1.3 本文研究内容及主要工作
第2章 支持向量机
2.1 支持向量机理论
2.1.1 线性可分支持向量机
2.1.2 线性支持向量机
2.2 支持向量机多类分类算法
2.2.1 基于改进分类器的多类分类算法
2.2.2 基于组合两类分类器的多类分类算法
2.3 支持向量机算法研究现状
2.4 本章小结
第3章 高炉冶炼工艺和TE过程分析
3.1 高炉系统及高炉冶炼过程
3.2 高炉故障诊断技术现状
3.3 高炉冶炼主要工艺参数与异常炉况的关系
3.3.1 高炉冶炼主要工艺参数
3.3.2 高炉冶炼主要工艺参数与异常炉况的关系
3.4 TE过程及故障
3.4.1 TE过程
3.4.2 TE过程故障
3.5 本章小结
第4章 基于NN-DPSO-SVM的流程工业故障诊断方法
4.1 最近邻法和粒子群优化算法
4.1.1 最近邻法
4.1.2 粒子群优化算法
4.2 NN-DPSO-SVM多类分类新算法
4.2.1 本文提出的改进离散粒子群优化算法
4.2.2 支持向量机随机二叉树多类分类算法
4.2.3 NN-DPSO-SVM多类分类算法步骤
4.3 高炉故障诊断仿真实验
4.4 本章小结
第5章 基于成本意识LS-SVM的流程工业故障诊断方法
5.1 最小二乘支持向量机
5.1.1 基于最小二乘支持向量机的两类分类器
5.1.2 基于二叉树的最小二乘支持向量机多类分类算法
5.2 基于成本意识LS-SVM的多类分类新算法
5.2.1 成本意识模型和参数优化
5.2.2 基于成本意识模型的适应函数
5.2.3 基于成本意识LS-SVM两类分类新算法
5.2.4 基于渐变二叉树的CLS-SVM多类分类新算法
5.3 高炉故障诊断仿真实验
5.3.1 两类分类实验及结果分析
5.3.2 多类分类实验及结果分析
5.4 本章小结
第6章 基于可适应TSVM的流程工业故障诊断不平衡数据处理方法
6.1 直推式支持向量机
6.2 不平衡数据分类
6.2.1 不平衡数据分类方法
6.2.2 不平衡数据分类的估计准则
6.2.3 不平衡数据对支持向量机分类器泛化能力的影响
6.3 基于可适应直推式支持向量机新算法的不平衡数据处理
6.3.1 改进的最近邻法
6.3.2 补少类算法
6.3.3 补全算法
6.4 TE过程故障诊断仿真实验
6.4.1 数据集描述
6.4.2 仿真实验及结果分析
6.5 本章小结
第7章 基于可选SVM的流程工业故障诊断不平衡数据处理方法
7.1 支持向量机的主动学习
7.2 不平衡数据分类
7.2.1 F1测度
7.2.2 一类不平衡数据对支持向量机分类器泛化能力的影响
7.3 基于可选支持向量机新算法的不平衡数据处理
7.3.1 修剪训练集
7.3.2 可选支持向量机新算法
7.4 高炉故障诊断仿真实验
7.4.1 数据集描述
7.4.2 可选SVM算法的参数分析
7.4.3 仿真实验和结果分析
7.5 本章小结
第8章 基于新型加权支持向量回归机的参数预测方法
8.1 ε支持向量回归机
8.2 新型加权支持向量回归机算法
8.2.1 新型加权支持向量回归机算法
8.2.2 新型加权支持向量回归机算法步骤
8.3 仿真实验
8.4 本章小结
第9章 总结与展望
9.1 总结
9.2 展望
参考文献
致谢
攻读博士学位期间论文及获奖情况
攻读博士学位期间参加的科研工作
东北大学;