文摘
英文文摘
论文说明:符号说明
声明
第一章绪论
1.1课题研究的背景和意义
1.2课题研究的现状和前景
1.3本文的主要工作、创新点及全文结构
1.3.1主要工作及创新点
1.3.2全文结构
第二章统计学习理论与支持向量机
2.1机器学习问题
2.1.1机器学习问题概述
2.1.2学习问题的表述
2.2统计学习理论
2.2.1 VC维
2.2.2推广性的界理论
2.2.3结构风险最小化原则
2.3支持向量机
2.3.1广义最优分类面
2.3.2线性情况下的支持向量机
2.3.3核函数与非线性情况下的支持向量机
2.4本章小结
第三章基于支持向量机的多类分类算法
3.1“一对多”多类分类算法
3.2“一对一”多类分类算法
3.3一次性求解算法
3.4DAGSVM多类分类算法
3.5基于二叉树结构的支持向量机多类分类算法
3.6其它支持向量机多类分类算法
3.6.1层次分类算法
3.6.2纠错输出编码支持向量机(ECOC SVMS)
3.7对多类分类算法的进一步思考
3.7.1“一对多”和“一对一”多类分类算法的比较分析
3.7.2基于二叉树结构的支持向量机多类分类算法和DAGSVM的比较分析
3.8本章小结
第四章滚动轴承故障实验
4.1机械故障诊断技术概述
4.2支持向量机多类分类算法在机械故障识别中的应用
4.3滚动轴承故障实验
4.3.1滚动轴承故障诊断概述
4.3.2滚动轴承故障实验
4.4本章小结
第五章特征提取
5.1特征提取概述
5.2小波分析与小波包变换
5.2.1小波变换的产生背景
5.2.2连续小波变换
5.2.3离散小波变换
5.2.4多分辨率分析
5.2.5小波包变换
5.3基于小波包变换的滚动轴承振动信号特征提取
5.3.1基于小波包变换的特征提取过程
5.3.2滚动轴承振动信号的特征提取
5.4本章小结
第六章类间可分性研究
6.1类间可分性及其判据
6.2 Jb/Jw判据对轴承实验五类样本的可分性判别
6.3基于核函数映射的Jb/Jw判据及对滚动轴承故障样本的可分性判别
6.4本章小结
第七章基于类间可分性度量的支持向量机多类分类算法
7.1基于类间可分性度量的二叉树结构生成和基于两类可分性最大原则的支持向量机多类分类算法
7.1.1引言
7.1.2基于类间可分性度量的二叉树生成
7.1.3基于两类可分性最大原则的支持向量机多类分类算法的提出
7.2基于类间可分性度量的支持向量机多类分类算法在滚动轴承故障识别中的应用
7.2.1二叉树结构的生成
7.2.2基于二叉树结构的支持向量机多类分类算法在滚动轴承故障识别中的应用
7.2.3任意二叉树结构的支持向量机多类分类算法及分类效果的对比
7.2.4基于两类可分性最大原则的支持向量机多类分类算法结构的确定
7.2.5基于两类可分性最大原则的支持向量机多类分类算法在滚动轴承故障识别中的应用
7.3本章小结
第八章基于类间可分性的“一对二”支持向量机多类分类算法及其应用
8.1对基于二叉树结构的支持向量机多类分类算法及DAGSVM的进一步分析
8.2基于类别可分性度量的“一对二”支持向量机多类分类算法的提出
8.2.1“一对二”支持向量机多类分类算法
8.2.2基于类间可分性度量的“一对二”支持向量机多类分类算法
8.3基于类间可分性度量的“一对二”支持向量机多类分类算法在滚动轴承故障识别中的应用
8.4本章小结
第九章总结与展望
9.1全文总结
9.2未来的展望
参考文献
致谢
攻读硕士学位期间发表的学术论文