基於核方法的故障診斷理論及其方法的研究

　　《基於核方法的故障診斷理論及其方法的研究》的主要內容是基於核的機器學習的理論和方法研究及其應用，正文中所提出的和改進的學習算法屬於基於核的機器學習範疇，且分別屬於監督學習和非監督學習。其中第3、4、5章為非監督學習的單值的支持向量機（SVR）內容；第2章及第6、7章為監督學習的基於最小風險的SVM系統部件故障診斷，基於SVR模型預測以解決整體系統故障診斷；第8章核矩陣的逼近可以作為一種樣本預處理技術，應用於基於核的機器學習算法。《基於核方法的故障診斷理論及其方法的研究》對主要的方法均給出了理論證明，關鍵的算法配套有開發的程序（見附錄）。
　　《基於核方法的故障診斷理論及其方法的研究》可供自動化、信息、測控、機電一體化等學科的研究生選用或參考，並可作為相關專業技術人員的參考書。

第1章 核方法及其研究基礎
1.1 核函數的定義
1.2 正則化與表述定理
1.3 幾種核學習機
1.4 核方法研究背景
1.5 故障智能診斷中的機器學習
1.6 核算法與故障診斷
1.7 研究內容

第2章 基於最小風險的SVM方法的研究
2.1 引言
2.2 支持向量機
2.3 基於最小風險的SVM研究
2.4 仿真研究
2.5 實驗研究
2.6 本章小結

第3章 單值SVM用於故障診斷
3.1 引言
3.2 單值支持向量機
3.3 模型分析及選擇研究
3.4 核函數的參數確定
3.5 基於單值SVM的故障診斷
3.6 本章小結

第4章 單值SVM時間滾動式學習算法的研究
4.1 引言
4.2 支持向量特點分析
4.3 時間滾動式學習算法
4.4 液壓泵故障預警系統的設計
4.5 仿真實驗
4.6 本章小結

第5章 基於單值SVM的多故障識別
5.1 引言
5.2 幾種常用的多類SVM方法
5.3 基於單值SVM的多值分類
5.4 實驗研究
5.5 本章小結

第6章 基於SVR的早期故障預示研究
6.1 引言
6.2 支持向量回歸
6.3 SVR性能分析研究
6.4基於遺傳算法的SVR參數選擇
6.5 基於SVR的故障預測
6.6 本章小結

第7章 混沌背景中微弱信號檢測
7.1 引言
7.2 基於SVR的微弱信號檢測
7.3 仿真實驗
7.4 本章小結

第8章 核矩陣的逼近
8.1 引言
8.2 核矩陣的逼近
8.3 貪心算法
8.4 實驗研究
8.5 本章小結

第9章 結論與展望
9.1 內容總結
9.2 展望
附錄開發的相關SVM程序
參考文獻