杜京义，男，1965年12月出生，1987年于西安理工大学毕业获得工学学士学位，1999年于西安理工大学硕士毕业获得工学硕士学位，2007年于西安科技大学毕业获得安全技术与工程博士学位，现为西安科技大学教授，电控学院自动化系主任及国家特色专业——自动化专业带头人，同时兼任陕西省自动化学会副秘书长。主要研究方向为信号处理、智能控制安全技术与工程。发表学术论文40余篇，其中EI收录20余篇，出版专著及教材3部。主持完成多项科研项目，获省厅级科技进步奖3项。<br>    侯媛彬：女，1953年11月出生，1977年于西安交通大学本科毕业，1987年于西安科技大学硕士毕业获得工学硕士学位，1997年于西安交通大学博士毕业获得系统工程博士学位.现为西安科技大学教授、博士生导师，电控学院学科主任，兼任陕西省自动化学会教育委员会主任。主要研究方向为智能控制，安全技术与工程。发表学术论文100余篇，其中E1收录40余篇，出版专著及教材11部。主持完成省厅级科研项目9项，获省厅级科技进步奖6项。

    《基于核方法的故障诊断理论及其方法的研究》的主要内容是基于核的机器学习的理论和方法研究及其应用，正文中所提出的和改进的学习算法属于基于核的机器学习范畴，且分别属于监督学习和非监督学习。其中第3、4、5章为非监督学习的单值的支持向量机（SVR）内容；第2章及第6、7章为监督学习的基于最小风险的SVM系统部件故障诊断，基于SVR模型预测以解决整体系统故障诊断；第8章核矩阵的逼近可以作为一种样本预处理技术，应用于基于核的机器学习算法。《基于核方法的故障诊断理论及其方法的研究》对主要的方法均给出了理论证明，关键的算法配套有开发的程序（见附录）。<br>    《基于核方法的故障诊断理论及其方法的研究》可供自动化、信息、测控、机电一体化等学科的研究生选用或参考，并可作为相关专业技术人员的参考书。

    包括模式识别、人工神经网络等在内，现有机器学习方法共同的重要理论基础之一是统计学，传统统计学所研究的主要是渐进理论，即当样本数趋向于无穷大时的统计性质。但在故障诊断领域，特征知识的获取具有一定的约束，样本的数目往往是有限的，甚至是小样本的，故障与征兆之间常常呈现出本质非线性。因此，我们希望寻求一种学习方法，能够在有限的样本数据下尽可能地发现其中蕴含的知识。强调学习方法具有较强的推广能力，即对符合某规律，但没有学习过的样本也能给出合理的结论，这正是学习机器体现其智能性的最为重要的一个方面。虽然直到目前，人工神经网络仍是解决非线性问题的一个有力的工具，但它是一种经验非线性方法，这种方法利用已知样本建立非线性模型，但当样本数有限时，即使训练效果良好的一个算法结构也可能表现出很差的推广能力，即产生了所谓的“过学习”。<br>    Vapnik等人从20世纪60年代开始就致力于统计学习理论的研究，到20世纪90年代中期，随着其理论的不断发展和成熟，也由于人工神经网络等学习方法在理论上缺乏实质性进展，统计学习理论开始受到越来越广泛的重视。与传统统计学相比，SLT是一种专门研究小样本情况下机器学习规律的理论。该理论针对小样本统计问题建立了一套新的理论体系，在这种体系下的统计推理规则，不仅考虑了对渐近性能的要求，而且追求在现有有限信息的条件下得到最优结果。以支持向量机（SVM）为代表的核算法（机器）¨¨驯是近10年来机器学习领域最有影响力的成果之一，它是基于统计学习理论和核技术建立的。SVM包含4大技术：①大间隔思想或正则化技术，依据结构风险最小化原则，以获得较好的推广能力；②核技术，利用满足Mercer条件的核函数实现线性算法的非线性化；③凸优化技术，算法最终将转化成为标准的最优化问题或凸二次规划，从理论上说，得到的将是全局最优点；④稀疏对偶表示，结果得到可用于训练点和测试点求解的高效算法。这4大技术中最先得到研究人员青睐的是核技术，这是一种非常有效的设计非线性算法的数学手段。随后，很多研究人员利用核技术改造经典的线性算法，得到相应的基于核函数的非线性形式，简称为核算法或核机器。<br>    ……

第1章 核方法及其研究基础<br>1.1 核函数的定义<br>1.2 正则化与表述定理<br>1.3 几种核学习机<br>1.4 核方法研究背景<br>1.5 故障智能诊断中的机器学习<br>1.6 核算法与故障诊断<br>1.7 研究内容<br><br>第2章 基于最小风险的SVM方法的研究<br>2.1 引言<br>2.2 支持向量机<br>2.3 基于最小风险的SVM研究<br>2.4 仿真研究<br>2.5 实验研究<br>2.6 本章小结<br><br>第3章 单值SVM用于故障诊断<br>3.1 引言<br>3.2 单值支持向量机<br>3.3 模型分析及选择研究<br>3.4 核函数的参数确定<br>3.5 基于单值SVM的故障诊断<br>3.6 本章小结<br><br>第4章 单值SVM时间滚动式学习算法的研究<br>4.1 引言<br>4.2 支持向量特点分析<br>4.3 时间滚动式学习算法<br>4.4 液压泵故障预警系统的设计<br>4.5 仿真实验<br>4.6 本章小结<br><br>第5章 基于单值SVM的多故障识别<br>5.1 引言<br>5.2 几种常用的多类SVM方法<br>5.3 基于单值SVM的多值分类<br>5.4 实验研究<br>5.5 本章小结<br><br>第6章 基于SVR的早期故障预示研究<br>6.1 引言<br>6.2 支持向量回归<br>6.3 SVR性能分析研究<br>6.4基于遗传算法的SVR参数选择<br>6.5 基于SVR的故障预测<br>6.6 本章小结<br><br>第7章 混沌背景中微弱信号检测<br>7.1 引言<br>7.2 基于SVR的微弱信号检测<br>7.3 仿真实验<br>7.4 本章小结<br><br>第8章 核矩阵的逼近<br>8.1 引言<br>8.2 核矩阵的逼近<br>8.3 贪心算法<br>8.4 实验研究<br>8.5 本章小结<br><br>第9章 结论与展望<br>9.1 内容总结<br>9.2 展望<br>附录开发的相关SVM程序<br>参考文献