航空發(fā)動機的智能診斷、建模與預(yù)測方法

序
前言
第1章 緒論
1．1 航空發(fā)動機預(yù)測與健康管理概述
1．2 航空發(fā)動機診斷和預(yù)測方法及發(fā)展現(xiàn)狀
1．2．1 航空發(fā)動機診斷和預(yù)測的技術(shù)途徑及發(fā)展概況
1．2．2 航空發(fā)動機診斷和預(yù)測有代表性的數(shù)據(jù)挖掘方法
1．2．3 存在的主要問題
1．3 主要研究成果及本書章節(jié)安排
1．3．1 支持向量機方法及其應(yīng)用
1．3．2 覆蓋機器學習理論及其應(yīng)用
1．3．3 核多元統(tǒng)計方法及其應(yīng)用
1．3．4 進化計算和免疫計算方法及其應(yīng)用
1．3．5 本書章節(jié)安排
參考文獻
第2章 支持向量機方法及應(yīng)用
2．1 支持向量機的基本算法
2．1．1 線性支持向量機
2．1．2 廣義線性支持向量機
2．1．3 支持向量的定義
2．1．4 核函數(shù)技巧與內(nèi)積
2．1．5 非線性支持向量機
2．1．6 補充說明
2．2 支持向量機分類算法
2．2．1 C-SVM
2．2．2 ySVM
2．2．3 One-Class SVM
2．2．4 LS-SVM
2．2．5 多類支持向量機方法
2．3 支持向量機回歸算法
2．3．1 數(shù)學描述
2．3．2 不敏感損失函數(shù)
2．3．3 回歸SVM
2．3．4回歸LS-VM
2．3．5 稀疏回歸LS-SVM
2．3．6 在線回歸LS-SVM
2．4 支持向量機求解算法
2．4．1 塊算法
2．4．2 分解算法
2．4．3 順序最小優(yōu)化方法
2．4．4 其他算法
2．5 支持向量機診斷理論應(yīng)用
2．5．1 SVM分類算法應(yīng)用模式
2．5．2 基于SVM的航空發(fā)動機故障診斷
2．5．3 基于SVM的AdaBoost故障診斷方法
2．6 支持向量機建模與預(yù)測理論及其應(yīng)用
2．6．1 SVM回歸應(yīng)用模型
2．6．2 基于SVM的航空發(fā)動機起動過程建模與應(yīng)用
2．6．3 基于SVM的早期故障預(yù)示研究
2．6．4 基于LS-SVM的航空發(fā)動機動態(tài)過程建模
2．6．5 基于SVM的壓氣機低轉(zhuǎn)速特性建模
參考文獻
第3章 覆蓋機器學習理論及應(yīng)用
3．1 覆蓋機器學習模型
3．1．1 覆蓋機器學習模型化
3．1．2 核學習機MEB等價表征
3．1．3 核學習機廣義MEB等價表征
3．1．4 核學習機與MEB關(guān)系性質(zhì)
3．2 MEB核心集快速實現(xiàn)算法
3．2．1 最小MEB算法現(xiàn)狀
3．2．2 最優(yōu)核心集MEB算法
3．2．3 嚴格核心集MEB算法
3．2．4 新算法理論分析
3．3 結(jié)構(gòu)覆蓋分類學習機
3．3．1 理論背景
3．3．2 向量值分類SVM模型
3．3．3 結(jié)構(gòu)覆蓋分類算法
……
第4章 核多元統(tǒng)計方法及應(yīng)用
第5章 進化計算和人工免疫方法及應(yīng)用
第6章 航空發(fā)動機PHM數(shù)據(jù)挖掘問題及技術(shù)挑戰(zhàn)