复杂系统支持向量机建模与故障预报

1 (p1): 第1章 绪论
1 (p1-1): 1.1 引言
2 (p1-2): 1.2 故障预报方法的研究现状
3 (p1-2-1): 1.2.1 模型驱动方法
4 (p1-2-2): 1.2.2 数据驱动方法
6 (p1-2-3): 1.2.3 定性知识驱动方法
7 (p1-3): 1.3 基于支持向量机的故障预报方法的研究现状
7 (p1-3-1): 1.3.1 故障预报问题的特点
8 (p1-3-2): 1.3.2 统计学习理论
13 (p1-3-3): 1.3.3 支持向量机
15 (p1-3-4): 1.3.4 研究现状
17 (p1-4): 1.4 本书的内容
19 (p2): 第2章 基于支持向量预选取的one-class SVM故障预报模型
19 (p2-1): 2.1 引言
20 (p2-2): 2.2 问题描述
20 (p2-3): 2.3 one-class SVM模型
20 (p2-3-1): 2.3.1 超平面
22 (p2-3-2): 2.3.2 超球体
24 (p2-4): 2.4 支持向量预选取
25 (p2-4-1): 2.4.1 超平面的支持向量预选取
28 (p2-4-2): 2.4.2 超球体的支持向量预选取
30 (p2-4-3): 2.4.3 确定选取样本的个数
31 (p2-4-4): 2.4.4 算法复杂度分析
32 (p2-5): 2.5 故障预报算法步骤
33 (p2-6): 2.6 仿真实例和结果分析
33 (p2-6-1): 2.6.1 同心圆环样本支持向量预选取
35 (p2-6-2): 2.6.2 电机数据故障预报
38 (p2-7): 2.7 本章小结
39 (p3): 第3章 自适应动态无偏LSSVM故障预报模型
39 (p3-1): 3.1 引言
40 (p3-2): 3.2 最小二乘支持向量机及在线算法
43 (p3-3): 3.3 动态无偏最小二乘支持向量机
43 (p3-3-1): 3.3.1 初始预测模型
46 (p3-3-2): 3.3.2 增加样本
48 (p3-3-3): 3.3.3 消减样本
49 (p3-4): 3.4 自适应动态无偏最小二乘支持向量机
49 (p3-4-1): 3.4.1 滑动时间窗长度的自适应选取
51 (p3-4-2): 3.4.2 算法复杂度分析
51 (p3-5): 3.5 仿真实例和结果分析
51 (p3-5-1): 3.5.1 混沌时间序列预测
54 (p3-5-2): 3.5.2 非线性系统在线预测跟踪
55 (p3-5-3): 3.5.3 二容水箱故障预报
58 (p3-6): 3.6 本章小结
60 (p4): 第4章 多输出支持向量回归机故障预报模型
60 (p4-1): 4.1 引言
61 (p4-2): 4.2 问题描述
62 (p4-3): 4.3 支持向量回归机
64 (p4-4): 4.4 多输出支持向量回归机
64 (p4-4-1): 4.4.1 线性模型
73 (p4-4-2): 4.4.2 偏置求取算法
74 (p4-4-3): 4.4.3 非线性模型
75 (p4-5): 4.5 多输出最小二乘支持向量机
75 (p4-5-1): 4.5.1 模型设计
78 (p4-5-2): 4.5.2 算法性质分析
79 (p4-6): 4.6 仿真实例和结果分析
79 (p4-6-1): 4.6.1 时间序列多步预测
81 (p4-6-2): 4.6.2 多输入多输出系统故障预报
84 (p4-7): 4.7 本章小结
85 (p5): 第5章 支持向量机概率密度估计故障预报模型
85 (p5-1): 5.1 引言
86 (p5-2): 5.2 支持向量机概率密度估计
89 (p5-3): 5.3 算法改进
89 (p5-3-1): 5.3.1 单松弛因子支持向量机概率密度估计模型
92 (p5-3-2): 5.3.2 单松弛因子多核支持向量机概率密度估计模型
93 (p5-3-3): 5.3.3 非耦合数据合成概率密度估计
94 (p5-3-4): 5.3.4 算法复杂度分析
94 (p5-3-5): 5.3.5 仿真实例和结果分析
96 (p5-4): 5.4 基于支持向量机概率密度估计的故障预报
96 (p5-4-1): 5.4.1 问题描述
97 (p5-4-2): 5.4.2 异常程度的衡量
98 (p5-4-3): 5.4.3 仿真实例和结果分析
103 (p5-5): 5.5 本章小结
104 (p6): 第6章 基于支持向量机的惯性器件故障预报
104 (p6-1): 6.1 引言
104 (p6-2): 6.2 基于单维漂移数据的惯性器件故障预报
105 (p6-2-1):…