●前言
第1章 緒論
1.1 概述
1.1.1 開展故障診斷的重要性
1.1.2 智能故障診斷方法的優勢及挑戰
1.1.3 粗糙集方法在不一致信息處理方面的優勢
1.1.4 本書的研究動機及目標
1.2 機器學習方法泛化性能控制的研究進展
1.3 粗糙集方法的研究現狀
1.3.1 經典粗糙集方法的研究現狀
1.3.2 粗糙集方法的拓展研究
1.4 故障診斷中影響粗糙集方法泛化性能的主要問題
1.4.1 數據噪聲普遍存在
1.4.2 多類故障的診斷規則提取存在類間相互干擾
1.4.3 故障數據的類分布不平衡
1.4.4 故障的誤診斷代價存在差異
1.5 本書的研究內容及章節安排
第2章 粗糙集基本理論及方法
2.1 粗糙集理論的基本概念
2.1.1 決策表
2.1.2 等價類和粗糙集
2.1.3 粗糙集的上、下近似
2.1.4 粗糙集的不確定性度量
2.1.5 屬性約簡
2.1.6 決策規則
2.2 基於粗糙集理論的屬性約簡方法
2.3 基於粗糙集理論的決策規則提取方法
2.4 基於粗糙集提取規則集的分類決策方法
2.5 本章小結
第3章 機器學習泛化性能控制理論及方法
3.1 機器學習問題的一般表示
3.2 機器學習的經驗風險最小化
3.3 機器學習方法的泛化性能控制理論
3.3.1 機器學習方法的復雜度
3.3.2 機器學習方法泛化能力的界
3.4 機器學習方法泛化性能控制的SRM原則
3.5 本章小結
第4章 粗糙集方法的結構風險最小化
4.1 概述
4.2 粗糙集方法的結構風險控制
4.2.1 屬性約簡
4.2.2 最小屬性約簡
4.2.3 基於最小屬性值域空間的屬性約簡
4.2.4 基於最小導出規則數的屬性約簡
4.3 粗糙集方法的SRM算法
4.3.1 基於遺傳多目標優化的SRM算法
4.3.2 啟發式SRM算法
4.4 實驗分析
4.4.1 實驗配置
4.4.2 汽輪機振動故障診斷的SRM實驗
4.4.3 粗糙集方法獲得的各項性能指標隨復雜度的變化
4.4.4 各種復雜性度量指標的比較
4.4.5 各種SRM算法的比較
4.4.6 實驗結論
4.5 本章小結
第5章 多類故障診斷的類間干擾及抑制
5.1 概述
5.2 多類故障診斷的類間干擾問題
5.3 類間干擾的抑制方法
5.3.1 保留全部屬性的方法
5.3.2 基於一類分類器設計的方法
5.3.3 基於兩類分類器設計的方法
5.4 基於兩類分類器設計的類間干擾抑制算法
5.4.1 兩類分類器的構建策略
5.4.2 兩類分類器的協同決策策略
5.4.3 類間干擾抑制算法設計
5.5 實驗分析
5.5.1 實驗配置
5.5.2 汽輪機多類振動故障診斷的類間干擾抑制實驗
5.5.3 各種類間干擾抑制算法的比較分析
5.5.4 保留全部屬性方法的性能
5.5.5 解決多類問題的兩類及一類算法性能比較
5.5.6 實驗總結
5.6 本章小結
第6章 故障診斷中類不平衡問題處理的加權粗糙集方法
6.1 概述
6.2 類不平衡問題處理的基本方法
6.2.1 數據重采樣
6.2.2 樣本加權
6.2.3 基於一類分類器的方法
6.3 加權粗糙集模型
6.4 基於加權粗糙集的類不平衡問題處理方法
6.4.1 加權屬性約簡
6.4.2 加權規則提取
6.4.3 加權決策
6.5 類不平衡問題處理的性能評價
6.6 實驗分析
6.6.1 實驗配置
6.6.2 汽輪機振動故障診斷的類不平衡問題處理實驗
6.6.3 粗糙集方法的各種類不平衡處理策略比較
6.6.4 加權粗糙集方法的各種算法配置比較
6.6.5 與其他類不平衡問題處理方法的比較
6.6.6 類不平衡問題處理的權值選擇
6.6.7 實驗總結
6.7 本章小結
第7章 考慮誤診斷代價的故障診斷方法及評價
7.1 概述
7.2 考慮誤診斷代價的基本方法
7.2.1 基於類不平衡問題處理技術的方法
7.2.2 基於最小期望代價分類準則的方法
7.3 基於加權粗糙集和最小期望代價分類準則的代價敏感故障診斷方法
7.3.1 不考慮數據集類分布特性的方法
7.3.2 考慮數據集類分布特性的方法
7.4 代價敏感故障診斷的性能評價
7.4.1 傳統的性能評價指標
7.4.2 不依賴於測試集特性的性能評價指標
7.5 實驗分析
7.5.1 實驗配置
7.5.2 汽輪機振動故障的代價敏感診斷實驗
7.5.3 各種代價敏感問題處理方法的比較
7.5.4 實驗總結
7.6 本章小結
參考文獻
