第1章 緒論
1.1 引言
1.2 故障預(yù)報方法的研究現(xiàn)狀
1.2.1 模型驅(qū)動方法
1.2.2 數(shù)據(jù)驅(qū)動方法
1.2.3 定性知識驅(qū)動方法
1.3 基于支持向量機(jī)的故障預(yù)報方法的研究現(xiàn)狀
1.3.1 故障預(yù)報問題的特點(diǎn)
1.3.2 統(tǒng)計學(xué)習(xí)理論
1.3.3 支持向量機(jī)
1.3.4 研究現(xiàn)狀
1.4 本書的內(nèi)容
第2章 基于支持向量預(yù)選取的one-class SVM故障預(yù)報模型
2.1 引言
2.2 問題描述
2.3 one-class SVM模型
2.3.1 超平面
2.3.2 超球體
2.4 支持向量預(yù)選取
2.4.1 超平面的支持向量預(yù)選取
2.4.2 超球體的支持向量預(yù)選取
2.4.3 確定選取樣本的個數(shù)
2.4.4 算法復(fù)雜度分析
2.5 故障預(yù)報算法步驟
2.6 仿真實(shí)例和結(jié)果分析
2.6.1 同心圓環(huán)樣本支持向量預(yù)選取
2.6.2 電機(jī)數(shù)據(jù)故障預(yù)報
2.7 本章小結(jié)
第3章 自適應(yīng)動態(tài)無偏LSSVM故障預(yù)報模型
3.1 引言
3.2 最小二乘支持向量機(jī)及在線算法
3.3 動態(tài)無偏最小二乘支持向量機(jī)
3.3.1 初始預(yù)測模型
3.3.2 增加樣本
3.3.3 消減樣本
3.4 自適應(yīng)動態(tài)無偏最小二乘支持向量機(jī)
3.4.1 滑動時間窗長度的自適應(yīng)選取
3.4.2 算法復(fù)雜度分析
3.5 仿真實(shí)例和結(jié)果分析
3.5.1 混沌時間序列預(yù)測
3.5.2 非線性系統(tǒng)在線預(yù)測跟蹤
3.5.3 二容水箱故障預(yù)報
3.6 本章小結(jié)
第4章 多輸出支持向量回歸機(jī)故障預(yù)報模型
4.1 引言
4.2 問題描述
4.3 支持向量回歸機(jī)
4.4 多輸出支持向量回歸機(jī)
4.4.1 線性模型
4.4.2 偏置求取算法
4.4.3 非線性模型
4.5 多輸出最小二乘支持向量機(jī)
4.5.1 模型設(shè)計
4.5.2 算法性質(zhì)分析
4.6 仿真實(shí)例和結(jié)果分析
4.6.1 時間序列多步預(yù)測
4.6.2 多輸入多輸出系統(tǒng)故障預(yù)報
4.7 本章小結(jié)
第5章 支持向量機(jī)概率密度估計故障預(yù)報模型
5.1 引言
5.2 支持向量機(jī)概率密度估計
5.3 算法改進(jìn)
5.3.1 單松弛因子支持向量機(jī)概率密度估計模型
5.3.2 單松弛因子多核支持向量機(jī)概率密度估計模型
5.3.3 非耦合數(shù)據(jù)合成概率密度估計
5.3.4 算法復(fù)雜度分析
5.3.5 仿真實(shí)例和結(jié)果分析
5.4 基于支持向量機(jī)概率密度估計的故障預(yù)報
5.4.1 問題描述
5.4.2 異常程度的衡量
5.4.3 仿真實(shí)例和結(jié)果分析
5.5 本章小結(jié)
第6章 基于支持向量機(jī)的慣性器件故障預(yù)報
6.1 引言
6.2 基于單維漂移數(shù)據(jù)的慣性器件故障預(yù)報
6.2.1 基于支持向量預(yù)選取one-class SVM的故障預(yù)報
6.2.2 基于自適應(yīng)動態(tài)無偏LSSVM的故障預(yù)報
6.2.3 基于多輸出支持向量回歸機(jī)的故障預(yù)報
6.3 某慣性平臺系統(tǒng)故障預(yù)報
6.3.1 平臺系統(tǒng)漂移系數(shù)的求取
6.3.2 基于超球體模型的故障預(yù)報
6.4 本章小結(jié)
第7章 復(fù)雜系統(tǒng)故障預(yù)報新技術(shù)展望
7.1 全流程故障預(yù)報技術(shù)
7.2 多元時序驅(qū)動的故障預(yù)測和多核機(jī)器建模與學(xué)習(xí)相融合
7.3 多元數(shù)據(jù)驅(qū)動故障預(yù)報方法的最新進(jìn)展
7.3.1 故障預(yù)測與可靠性評估方法的最新進(jìn)展
7.3.2 數(shù)據(jù)驅(qū)動的基于核機(jī)器學(xué)習(xí)的故障預(yù)測與可靠性評估方法最新進(jìn)展
7.4 多元數(shù)據(jù)驅(qū)動的復(fù)雜系統(tǒng)全流程故障預(yù)報方案設(shè)計
參考文獻(xiàn)
內(nèi)容簡介