掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
航空發動機的智能診斷、建模與預測方法 版權信息
- ISBN：9787030372239
- 條形碼：9787030372239 ; 978-7-03-037223-9
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
航空發動機的智能診斷、建模與預測方法 內容簡介
預測與健康管理是對航空發動機和飛行器等復雜裝備（設備）保證運行（飛行）安全、減少維修保障費用、實施新型維修保障體制的支撐技術。以現代機器學習為基礎的數據挖掘方法和智能推理是從裝備運行信息（數據）得到裝備運行特性、健康狀況和發展態勢的重要工具，是近十多年預測與健康管理理論與應用研究的熱點和重點。《航空發動機的智能診斷建模與預測方法》總結、介紹了作者在航空發動機智能診斷、建模和預測方法研究中，以現代機器學習為核心或研究手段，所取得的一些研究成果。 《航空發動機的智能診斷建模與預測方法》可供航空發動機專業人員，飛機、艦船、燃氣輪機等其他裝備和設備專業技術人員，以及數據挖掘和機器學習等研究人員參考。
航空發動機的智能診斷、建模與預測方法 目錄
序
前言
第1章 緒論
1．1 航空發動機預測與健康管理概述
1．2 航空發動機診斷和預測方法及發展現狀
1．2．1 航空發動機診斷和預測的技術途徑及發展概況
1．2．2 航空發動機診斷和預測有代表性的數據挖掘方法
1．2．3 存在的主要問題
1．3 主要研究成果及本書章節安排
1．3．1 支持向量機方法及其應用
1．3．2 覆蓋機器學習理論及其應用
1．3．3 核多元統計方法及其應用
1．3．4 進化計算和免疫計算方法及其應用
1．3．5 本書章節安排
參考文獻
第2章 支持向量機方法及應用
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 核函數技巧與內積
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-ClassSVM
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 數學描述
2．3．2 不敏感損失函數
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*小優化方法
2．4．4 其他算法
2．5 支持向量機診斷理論應用
2．5．1 SVM分類算法應用模式
2．5．2 基于SVM的航空發動機故障診斷
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測理論及其應用
2．6．1 SVM回歸應用模型
2．6．2 基于SVM的航空發動機起動過程建模與應用
2．6．3 基于SVM的早期故障預示研究
2．6．4 基于LS-SVM的航空發動機動態過程建模
2．6．5 基于SVM的壓氣機低轉速特性建模
參考文獻
第3章 覆蓋機器學習理論及應用
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關系性質
3．2 MEB核心集快速實現算法
3．2．1 *小MEB算法現狀
3．2．2 *優核心集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 結構覆蓋分類學習機
3．3．1 理論背景
3．3．2 向量值分類SVM模型
3．3．3 結構覆蓋分類算法
3．3．4 結構覆蓋分類MEB核心集算法
3．3．5 實驗分析
3．4 結構覆蓋回歸學習機
3．4．1 向量值回歸SVM
3．4．2 L一向量值回歸SVM
3．4．3 Lz向量值回歸SVM
3．4．4 k向量值回歸SVM
3．4．5 結構覆蓋回歸算法
3．5 應用案例
3．5．1 航空發動機故障診斷應用
3．5．2 航空發動機起動過程多元回歸建模與仿真
參考文獻
第4章 核多元統計方法及應用
4．1 核主元分析故障檢測
4．1．1 核主元分析法
4．1．2 基于KIDCA模型的故障檢測
4．1 I3基于滑動窗口機制的自適應KPCA
4．1．4 基于滑動窗口機制的自適應KPCA故障檢測
4．2 基于核主元分析的故障識別方法研究
4．2．1 基于KPCA模型的數據重構方法
4．2．2 改進的基于KPCA模型的數據重構方法
4．2．3 基于KPcA模型數據重構方法的故障識別
4．2．4 基于貢獻率圖法的故障識別方法
4．3 基于粗糙核Fis}mr鑒別分析的故障特征提取
4．3．1 粗糙集理論的屬性約簡
4．3．2 基于核Fisher鑒別分析的特征提取
4．3．3 基于粗糙核Fisher鑒別分析的特征提取
4．4 應用案例
4．4．1 基于KPCA的航空發動機故障檢測應用案例
4．4．2 基于自適應KPCA模型的故障檢測案例
4．4．3 基于貢獻率圖的故障識別應用案例
4．4．4 基于粗糙核Fisher鑒別分析的故障特征提取應用案例
參考文獻
第5章 進化計算和人工免疫方法及應用
5．1 基于進化計算的特征提取和動態過程建模
5．1．1 遺傳規劃的基本原理
5．1．2 基于遺傳規劃和線性鑒別分析的特征提取模型
5．1．3 基于遺傳規劃的動態過程自動建模方法
5．2 基于克隆選擇原理的智能融合故障診斷
5．2．1 人工免疫系統原理
5．2．2 引入免疫識別機制的距離判別函數法
5．2．3 引入克隆選擇機理的模糊聚類分析
5．3 基于反面選擇機理的智能融合故障診斷
5．3．1 人工免疫系統的反面選擇機理
5．3．2 基于反面選擇機理的故障診斷方法
5．3．3 算法參數對故障檢測效果的影響分析
5．4 基于反面選擇機理的性能監控
5．4．1 反面選擇算法在性能監控中的應用途徑
5．4．2 基于反面選擇機理的發動機性能監控
5．4．3 狀態變量對樣本點異常程度的影響分析
5．4．4 基于系統異常概率模型的故障隔離
5．5 基于人工免疫網絡的傳感器故障診斷
5．5．1 人工免疫網絡模型
5．5．2 學習向量量化與免疫網絡的融合診斷
5．6 應用案例
5．6．1 基于遺傳規劃和線性鑒別分析的發動機滑油系統特征提取
5．6．2 基于遺傳規劃的航空發動機起動過程自動建模應用
5．6．3 基于免疫識別的距離判別函數方法應用案例
5．6．4 基于免疫克隆選擇的模糊聚類方法應用案例
5．6．5 基于反面選擇的滾動軸承損傷故障檢測
5．6．6 基于反面選擇的性能監控應用案例
5．6．7 基于人工免疫網絡的發動機傳感器故障診斷
參考文獻
第6章 航空發動機PⅧⅥ數據挖掘問題及技術挑戰
6．1 典型數據挖掘問題
6．2 航空發動機PHM技術中的重大挑戰
參考文獻
前言
第1章 緒論
1．1 航空發動機預測與健康管理概述
1．2 航空發動機診斷和預測方法及發展現狀
1．2．1 航空發動機診斷和預測的技術途徑及發展概況
1．2．2 航空發動機診斷和預測有代表性的數據挖掘方法
1．2．3 存在的主要問題
1．3 主要研究成果及本書章節安排
1．3．1 支持向量機方法及其應用
1．3．2 覆蓋機器學習理論及其應用
1．3．3 核多元統計方法及其應用
1．3．4 進化計算和免疫計算方法及其應用
1．3．5 本書章節安排
參考文獻
第2章 支持向量機方法及應用
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 核函數技巧與內積
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-ClassSVM
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 數學描述
2．3．2 不敏感損失函數
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*小優化方法
2．4．4 其他算法
2．5 支持向量機診斷理論應用
2．5．1 SVM分類算法應用模式
2．5．2 基于SVM的航空發動機故障診斷
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測理論及其應用
2．6．1 SVM回歸應用模型
2．6．2 基于SVM的航空發動機起動過程建模與應用
2．6．3 基于SVM的早期故障預示研究
2．6．4 基于LS-SVM的航空發動機動態過程建模
2．6．5 基于SVM的壓氣機低轉速特性建模
參考文獻
第3章 覆蓋機器學習理論及應用
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關系性質
3．2 MEB核心集快速實現算法
3．2．1 *小MEB算法現狀
3．2．2 *優核心集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 結構覆蓋分類學習機
3．3．1 理論背景
3．3．2 向量值分類SVM模型
3．3．3 結構覆蓋分類算法
3．3．4 結構覆蓋分類MEB核心集算法
3．3．5 實驗分析
3．4 結構覆蓋回歸學習機
3．4．1 向量值回歸SVM
3．4．2 L一向量值回歸SVM
3．4．3 Lz向量值回歸SVM
3．4．4 k向量值回歸SVM
3．4．5 結構覆蓋回歸算法
3．5 應用案例
3．5．1 航空發動機故障診斷應用
3．5．2 航空發動機起動過程多元回歸建模與仿真
參考文獻
第4章 核多元統計方法及應用
4．1 核主元分析故障檢測
4．1．1 核主元分析法
4．1．2 基于KIDCA模型的故障檢測
4．1 I3基于滑動窗口機制的自適應KPCA
4．1．4 基于滑動窗口機制的自適應KPCA故障檢測
4．2 基于核主元分析的故障識別方法研究
4．2．1 基于KPCA模型的數據重構方法
4．2．2 改進的基于KPCA模型的數據重構方法
4．2．3 基于KPcA模型數據重構方法的故障識別
4．2．4 基于貢獻率圖法的故障識別方法
4．3 基于粗糙核Fis}mr鑒別分析的故障特征提取
4．3．1 粗糙集理論的屬性約簡
4．3．2 基于核Fisher鑒別分析的特征提取
4．3．3 基于粗糙核Fisher鑒別分析的特征提取
4．4 應用案例
4．4．1 基于KPCA的航空發動機故障檢測應用案例
4．4．2 基于自適應KPCA模型的故障檢測案例
4．4．3 基于貢獻率圖的故障識別應用案例
4．4．4 基于粗糙核Fisher鑒別分析的故障特征提取應用案例
參考文獻
第5章 進化計算和人工免疫方法及應用
5．1 基于進化計算的特征提取和動態過程建模
5．1．1 遺傳規劃的基本原理
5．1．2 基于遺傳規劃和線性鑒別分析的特征提取模型
5．1．3 基于遺傳規劃的動態過程自動建模方法
5．2 基于克隆選擇原理的智能融合故障診斷
5．2．1 人工免疫系統原理
5．2．2 引入免疫識別機制的距離判別函數法
5．2．3 引入克隆選擇機理的模糊聚類分析
5．3 基于反面選擇機理的智能融合故障診斷
5．3．1 人工免疫系統的反面選擇機理
5．3．2 基于反面選擇機理的故障診斷方法
5．3．3 算法參數對故障檢測效果的影響分析
5．4 基于反面選擇機理的性能監控
5．4．1 反面選擇算法在性能監控中的應用途徑
5．4．2 基于反面選擇機理的發動機性能監控
5．4．3 狀態變量對樣本點異常程度的影響分析
5．4．4 基于系統異常概率模型的故障隔離
5．5 基于人工免疫網絡的傳感器故障診斷
5．5．1 人工免疫網絡模型
5．5．2 學習向量量化與免疫網絡的融合診斷
5．6 應用案例
5．6．1 基于遺傳規劃和線性鑒別分析的發動機滑油系統特征提取
5．6．2 基于遺傳規劃的航空發動機起動過程自動建模應用
5．6．3 基于免疫識別的距離判別函數方法應用案例
5．6．4 基于免疫克隆選擇的模糊聚類方法應用案例
5．6．5 基于反面選擇的滾動軸承損傷故障檢測
5．6．6 基于反面選擇的性能監控應用案例
5．6．7 基于人工免疫網絡的發動機傳感器故障診斷
參考文獻
第6章 航空發動機PⅧⅥ數據挖掘問題及技術挑戰
6．1 典型數據挖掘問題
6．2 航空發動機PHM技術中的重大挑戰
參考文獻
展開全部
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
羅庸西南聯大授課錄
- >
月亮與六便士
- >
巴金－再思錄
- >
姑媽的寶刀
- >
山海經
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
二體千字文
本類暢銷
