基于支持向量机的飞机故障诊断技术
《基于支持向量机的飞机故障诊断技术》系统介绍了飞机的状态监控系统以及飞行数据的地面获取途径，并总结和分析了机载设备性能指标的特点；系统的介绍了支持向量机原理，分析了建立支持向量分类机和回归机需要解决的问题，并将支持向量回归机推广应用于多分类问题；对支持向量分类机进行训练，解决了参数的选取以及降低训练过程的计算复杂度问题，利用UCI数据库对方法进行了评估和分析。
简介
《基于支持向量机的飞机故障诊断技术》系统介绍了飞机的状态监控系统以及飞行数据的地面获取途径，并总结和分析了机载设备性能指标的特点；系统的介绍了支持向量机原理，分析了建立支持向量分类机和回归机需要解决的问题，并将支持向量回归机推广应用于多分类问题；对支持向量分类机进行训练，解决了参数的选取以及降低训练过程的计算复杂度问题，利用UCI数据库对方法进行了评估和分析。
版权
出版社国防工业出版社
出版时间2016年5月
分类科学技术-工业技术
热门划线
基于支持向量机的飞机故障诊断技术
郎荣玲 潘磊 吕永乐 路辉
- 绪论
- 1．2 PHM技术应用现状
- 1．2．1 PHM的功能及结构
- 1．2．2 国外PHM技术的应用现状
- 1．2．3 国内PHM技术的应用现状
- 1．2．4 PHM目前存在的问题
- 1．3 故障诊断与故障预报技术研究现状
- 1．3．1 故障诊断技术
- 1．3．2 故障预报技术
- 1．4 支持向量机理论研究现状
- 1．4．1 支持向量机学习算法
- 1．4．2 支持向量机参数选取方法
- 1．4．3 支持向量机模型算法验证
- 支持向量机简介
- 2．1 支持向量分类机
- 2．1．1 最优分类面
- 2．1．2 核函数
- 2．1．3 多分类支持向量机
- 2．2 支持向量回归机
- 2．2．1 ￡一带超平面
- 2．2．2 SVR模型推广于构造多分类器
- 2．3 支持向量机训练算法
- 支持向量分类模型研究
- 3．1 概述
- 3．1．1 SVC算法流程
- 3．1．2 待解决的问题
- 3．2 SVC的SMO算法实现
- 3．3 SVC的参数选取
- 3．3．1 高斯核参数a
- 3．3．2 惩罚因子C
- 3．4 实验分析
- 支持向量回归模型研究
- 4．1 概述
- 4．1．1 SVR算法流程
- 4．1．2 待解决的问题
- 4．2 SVR的SM~）算法实现
- 4．3 SVR的参数选取
- 4．3．1 高斯核参数a
- 4．3．2 惩罚因子C
- 4．3．3 不敏感损失参数e
- 4．4 实验分析
- 基于支持向量机的不确定性问题处理
- 5．1 概述
- 5．2 建模
- 5．3 模型求解
- 5．3．1 对偶问题
- 5．3．2 KKT条件
- 5．3．3 SMO算法求解
- 5．4 实验分析
- 5．4．1 算法分析
- 5．4．2 参数分析
- 飞机状态监控系统及其监测指标分析
- 6．1 飞机状态监控系统（ACMS）
- 6．1．1 ACMS的组成与功能
- 6．1．2 飞行数据获取方式
- 6．2 机载设备性能指标
- 6．2．1 机载设备工作性能的表示
- 6．2．2 航空发动机性能评价指标
- 6．2．3 机体结构性能评价指标
- 6．3 发动机性能指标监测序列的特点分析
- 6．3．1 综合分析
- 6．3．2 平稳性分析
- 6．3．3 趋势性分析
- 飞行数据预处理
- 7．1 概述
- 7．1．1 异常值辨识方法
- 7．1．2 噪声去除方法
- 7．2 异常值辨识与剔除
- 7．3 基于奇异值分解的滤波消噪方法
- 支持向量机应用分析
- 8．1 概述
- 8．2 航空电子设备故障诊断
- 8．2．1 实验1标准滤波电路
- 8．2．2 实验2线性中放电路
- 8．2．3 规则提取验证
- 8．3 航空发动机故障预报
- 8．3．1 性能参数预测
- 8．3．2 寿命监控与异常检测
- 飞行数据驱动的健康管理系统
- 9．1 系统设计
- 9．1．1 功能设计
- 9．1．2 总体结构
- 9．2 维护系统设计
- 9．2．1 功能和结构
- 9．2．2 数据库设计
- 9．3 故障诊断系统设计
- 9．3．1 功能和结构
- 9．3．2 推理诊断功能模块的设计
- 9．3．3 自学习功能模块的设计
- 9．4 故障预测系统设计
- 9．4．1 功能和结构
- 9．4．2 自回归滑动平均模型
- 参考文献