基于LS-SVM的电力电子电路故障预测方法毕业设计论文

陕西理工学院毕业设计 本科毕业论文格式要求一、论文的结构与要求毕业设计（论文）包括以下内容（按顺序）：本科论文包括封面、目录、标题、内容摘要、关键词、正文、注释、参考文献等部分。如果需要，可以在正文前加“引言”，在参考文献后加“后记”。论文一律要求打印，不得手写。1．目录目录应独立成页，包括论文中全部章、节和主要级次的标题和所在页码。2．论文标题论文标题应当简短、明确，有概括性。论文标题应能体现论文的核心内容、法学专业的特点。论文标题不得超过25个汉字，不得设置副标题，不得使用标点符号，可以分二行书写。论文标题用词必须规范，不得使用缩略语或外文缩写词（通用缩写除外，比如WTO等）。3．内容摘要内容摘要应扼要叙述论文的主要内容、特点，文字精练，是一篇具有独立性和完整性的短文，包括主要成果和结论性意见。摘要中不应使用公式、图表，不标注引用文献编号，并应避免将摘要撰写成目录式的内容介绍。内容摘要一般为200个汉字左右。4．关键词关键词是供检索用的主题词条，应采用能够覆盖论文主要内容的通用专业术语（参照相应的专业术语 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 ），一般列举3——5个，按照词条的外延层次从大到小排列，并应出现在内容摘要中。5．正文正文一般包括绪论（引论）、本论和结论等部分。正文字数本科不少于6000字，专科一般不少于5000字，正文必须从页首开始。*绪论（引论）全文的开始部分，不编写章节号。一般包括对写作目的、意义的说明，对所研究问题的认识并提出问题。*本论是全文的核心部分，应结构合理，层次清晰，重点突出，文字通顺简练。*结论是对主要成果的归纳，要突出创新点，以简练的文字对所做的主要工作进行评价。结论一般不超过500个汉字。正文一级及以下子标题格式如下：一、；（一）；1.；（1）；①。6．注释注释是对所创造的名词术语的解释或对引文出处的说明。注释采用脚注形式，用带圈数字表示序号，如注①、注②等，数量不少于10个，脚注少于10个的论文为不合格论文。7．参考文献参考文献是论文的不可缺少的组成部分,是作者在写作过程中使用过的文章、著作名录。参考文献应以近期发表或出版的与法学专业密切相关的学术著作和学术期刊文献为主，数量不少于6篇，参考文献少于6篇的论文成绩评定为不合格。产品说明、技术标准、未公开出版或发表的研究论文等不列为参考文献，有确需说明的可以在后记中予以说明。二、打印装订要求论文必须使用标准A4打印纸打印，一律左侧装订，并至少印制3份。页面上、下边距各2.5厘米，左右边距各2.2厘米，并按论文装订顺序要求如下：1．封面封面包括《广西广播电视大学关于毕业设计（论文）评审表》（封面、附录4）、《学生毕业设计（论文）评审表》（封2）、《广西广播电视大学关于毕业设计（论文）答辩申报表》（封3、附录5）。 2．目录目录列至论文正文的三级及以上标题所在页码，内容打印要求与正文相同。目录页不设页码。3．内容摘要摘要标题按照正文一级子标题要求处理，摘要内容按照正文要求处理。4．关键词索引关键词与内容摘要同处一页，位于内容摘要之后，另起一行并以“关键词：”开头（采用黑体），后跟3~5个关键词（采用宋体），词间空1字，即两个字节，其他要求同正文。5．正文正文必须从内容提要页开始，并设置为第1页。页码在页末居中打印，其他要求同正文（如正文第5页格式为“―5―”）。论文标题为标准三号黑体字，居中，单倍行间距；论文一级子标题为标准四号黑体字，居中，20磅行间距；正文一律使用标准小四号宋体字，段落开头空两个字，行间距为固定值20磅；正文中的插图应与文字紧密配合，文图相符，内容正确，绘制规范。插图按章编号并置于插图的正下方，插图不命名，如第二章的第三个插图序号为“图2—3”，插图序号使用标准五号宋体字；正文中的插表不加左右边线。插表按章编号并置于插表的左上方，插表不命名，如第二章的第三个插表序号为“表2—3”，插表序号使用标准五号宋体字。6、 参考文献按照GB7714—87《文后参考文献著录规则》规定的格式打印，内容打印要求与论文正文相同。参考文献从页首开始，格式如下：（1）著作图书文献序号 作者 《书名》，出版地：出版者，出版年份及版次（第一版省略）如：[4] 劳凯声 《教育法论》，南京：江苏教育出版社，2001（2）译著图书文献序号 作者 《书名》，出版地：出版者，出版年份及版次（第一版省略）（3）学术刊物文献序号 作者 《文章名》，《学术刊物名》，年卷（期）如：[5]周汉华 《变法模式与中国立法法》，《中国社会科学》，2000（1）（4）学术会议文献序号 作者 《文章名》，编者名，会议名称，会议地址，年份，出版地，出版者，出版年（5）学位论文类参考文献序号 作者 《学位论文题目》，学校和学位论文级别，答辩年份（6）西文文献著录格式同中文，实词的首字母大写，其余小写。参考文献作者人数较多者只列前三名，中间用逗号分隔，多于三人的后面加“等”字（西文加“etc.”）。学术会议若出版论文集者，在会议名称后加“论文集”字样；未出版论文集者省去“出版者”、“出版年”项；会议地址与出版地相同的省略“出版地”，会议年份与出版年相同的省略“出版年”。三、毕业设计（论文）装袋要求毕业设计（论文）是专业教学的重要内容，必须规范管理，统一毕业设计（论文）材料装袋要求：1、论文稿本。经指导的提纲，一稿、二稿和装订好的正稿。2、过程记录表。包括指导教师指导记录表，学生毕业设计（论文）评审表（答辩过程记录表）等；3、相关材料。法专业要求的其他材料，如法学社会调查报告等。中国环境教育立法研究内容摘要摘要：目前，我国学术界对环境教育立法问题的研究还处于起步阶段，有关环境教育的法律规范也很不完善，影响和限制了我国环境教育的大力推行和良好普及，实质上是制约了我国解决环境问题的能力和可持续发展的进程。本文从环境问题的现状入手，阐释了环境教育立法的必要性和可行性，介绍了其他国家和地区的环境教育立法实践，在总结国内外先进经验的基础上，提出了对我国环境教育立法的构想。以期通过加强教育立法的途径，实现我国环境教育的普及，为改善解决我国环境问题的能力和可持续发展的进程创造条件。关键词：环境问题环境教育环境教育立法 一、环境问题、环境教育与环境教育立法（一）环境问题马克思说：“人靠自然界生活，这就是说，自然界是为了不致死亡而必须不断与之交往。所谓人的肉体生活和精神生活同自然界相联系，也就等于说自然界同自身相联系，因为人是自然界的一部分。” 生存与发展是人类社会最基本的主题。在人类与环境不断地相互影响和作用中，环境问题始终是伴随着人类的活动产生和发展的。不幸的是，在相当长的时期内，人类过分强调了作为自然主人的一面，夸大了人的主观能动性作用，忽视甚至忘却自然界的惩罚。环境问题并非始于今日，早在200年前的第一次工业革命时期就产生了环境问题。到了本世纪50年代，环境事件不断出现和加剧。到了70～80年代则出现了全球性的环境危机。目前全球人口正以每年9 000万的速度增长，预计到21世纪中期，世界人口将达到100亿。 人口无节制地增长，给地球的生态环境和有限的自然资源带来了沉重的压力。联合国列出了威胁人类生存的全球十大环境问题：全球气候变暖；臭氧层的损耗和破坏；酸雨蔓延；水资源危机；生物多样性减少；大气污染；有毒有害化学物质污染与危险废物越境转移；森林面积锐减；土地荒漠化；海洋污染。随着我国社会经济的迅速发展，环境保护与经济发展之间的矛盾日益凸显。20世纪最后几年有三件震撼国人的大事足以说明我国环境问题的严重性，已显示出环境破坏给人类带来的灾难性的报复。一是1997年创纪录(227天)的黄河断流；二是1998年的长江大水灾；三是2000年波及北京等地的频繁的沙尘暴。专家指出了目前困扰中国环境的十大问题。1、大气污染问题2004年我国二氧化硫排放量为1 995万吨，居世界第一位。据专家测算，要满足全国天气的环境容量要求，二氧化硫排放量要在现有基础上至少削减40%。此外，2004年中国烟尘排放量为1 165万吨，工业粉尘的排放量为1 092万吨。大气污染是中国目前面临的第一大环境问题。2、水环境污染问题中国七大水系的污染程度依次是：辽河、海河、淮河、黄河、松花江、珠江、长江，其中，42%的水质超过3类标准（不能做饮用水源），全国有36%的城市河段为劣质5类水质，丧失使用功能。大型淡水湖泊（水库）和城市湖泊水质普遍较差，75%以上的湖泊富营养化加剧，主要由氮、磷污染引起。3、垃圾处理问题中国全国工业固体废物年产生量达8.2亿吨，综合利用率约为46%。全国城市生活垃圾年产生量为1.4亿吨，达到无害化处理要求的不到10%。塑料包装物和农膜导致的白色污染已蔓延全国各地。（二）环境教育与环境问题的关系1、环境教育的发展历程环境教育的起源，一直可以追溯到19世纪末20世纪初的自然研究（Natural Study）。当时在学校开展自然研究的基本目的是教育学生通过亲身观察和参与，了解和评价自然环境。到20世纪上叶，人们认识到保护生态和自然环境的重要性，保护运动（Conservation movement）在社会中形成，学校教育在自然研究的基础上引入了自然保护的教育内容，这就是环境教育的萌芽。（1）国外环境教育的发展历程1972年在瑞典首都斯德哥尔摩召开的“世界人类环境会议”是环境教育发展的一个里程碑。为了响应斯德哥尔摩会议的第96条建议，联合国教科文组织和联合国环境规划署于1975年颁布了国际环境教育 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 （IEEP），其目的是在环境教育领域内，促进经验和信息的交流、研究和实验、人员培训、课程和相应教材的开发及国际合作。1975年，在前南斯拉夫的贝尔格莱德召开的国际环境教育会议，通过了《贝尔格莱德宪章：环境教育的全球纲领》。该宪章根据环境教育的性质和目标，指出环境教育是“进一步认识和关心经济、社会、政治和生态在城乡地区的相互依赖性；为每一个人提供获得保护环境的知识和价值观、态度、责任感和技能；创造个人、群体和整个社会行为的新模式。”此后，《贝尔格莱德宪章》成为世界各国制定环境教育纲要与章程的重要依据之一。而环境教育的普及对环境相关法律的立法、执法都可起到相当大的辅助作用。大力开展环境教育，使环境意识特别是环境保护法律意识深入人心，使人们认识到环境问题不仅是社会问题，更是可以涉及到每个人切身利益和法律责任、社会责任的问题，认识到环境问题和法律责任的关系，更好地使环境保护法律成为预防环境问题发生的利剑，这样可以达到依法治理环境和人们自觉保护环境的目的。二、中国环境教育立法的必要性和可行性（一）中国环境教育立法的必要性当一种社会关系需要用立法来调整，说明这种社会关系的重要性。中国环境教育专门立法是否必要，则完全取决于以下前提：（1）环境教育的重要性；（2）环境教育立法对社会经济发展的重要作用。五、结论21世纪是环境世纪，公众的环境意识通过环境教育来建立。根据我国人口多，地区经济水平差异大，公民受教育程度不一的现状，要使公众的环境保护意识提高到一个比较高的水平，实现社会——经济——环境的协调发展，尽早达到国家的可持续发展目标，构建和谐社会，通过立法机关制定完善的、具有可操作性的《环境教育法》不失为一个有效的方法。希望对促进我国环境教育法律体系的建立提供一些有益的参考。 识和关心经济、社会、政治和生态在城乡地区的相互依赖性；为每一个人提供获得保护环境的知识和价值观、态度、责任感和技能；创造个人、群体和整个社会行为的新模式。”此后，《贝尔格莱德宪章》成为世界各国制定环境教育纲要与章程的重要依据之一。而环境教育的普及对环境相关法律的立法、执法都可起到相当大的辅助作用。大力开展环境教育，使环境意识特别是环境保护法律意识深入人心，使人们认识到环境问题不仅是社会问题，更是可以涉及到每个人切身利益和法律责任、社会责任的问题，认识到环境问题和法律责任的关系，更好地使环境保护法律成为预防环境问题发生的利剑，这样可以达到依法治理环境和人们自觉保护环境的目的。二、中国环境教育立法的必要性和可行性（一）中国环境教育立法的必要性当一种社会关系需要用立法来调整，说明这种社会关系的重要性。中国环境教育专门立法是否必要，则完全取决于以下前提：（1）环境教育的重要性；（2）环境教育立法我国环境教育法律体系的建立提供一些有益的参考。 本科毕业论文格式要求一、论文的结构与要求毕业设计（论文）包括以下内容（按顺序）：本科论文包括封面、目录、标题、内容摘要、关键词、正文、注释、参考文献等部分。如果需要，可以在正文前加“引言”，在参考文献后加“后记”。论文一律要求打印，不得手写。1．目录目录应独立成页，包括论文中全部章、节和主要级次的标题和所在页码。2．论文标题论文标题应当简短、明确，有概括性。论文标题应能体现论文的核心内容、法学专业的特点。论文标题不得超过25个汉字，不得设置副标题，不得使用标点符号，可以分二行书写。论文标题用词必须规范，不得使用缩略语或外文缩写词（通用缩写除外，比如WTO等）。3．内容摘要内容摘要应扼要叙述论文的主要内容、特点，文字精练，是一篇具有独立性和完整性的短文，包括主要成果和结论性意见。摘要中不应使用公式、图表，不标注引用文献编号，并应避免将摘要撰写成目录式的内容介绍。内容摘要一般为200个汉字左右。4．关键词关键词是供检索用的主题词条，应采用能够覆盖论文主要内容的通用专业术语（参照相应的专业术语标准），一般列举3——5个，按照词条的外延层次从大到小排列，并应出现在内容摘要中。5．正文正文一般包括绪论（引论）、本论和结论等部分。正文字数本科不少于6000字，专科一般不少于5000字，正文必须从页首开始。*绪论（引论）全文的开始部分，不编写章节号。一般包括对写作目的、意义的说明，对所研究问题的认识并提出问题。*本论是全文的核心部分，应结构合理，层次清晰，重点突出，文字通顺简练。*结论是对主要成果的归纳，要突出创新点，以简练的文字对所做的主要工作进行评价。结论一般不超过500个汉字。正文一级及以下子标题格式如下：一、；（一）；1.；（1）；①。6．注释注释是对所创造的名词术语的解释或对引文出处的说明。注释采用脚注形式，用带圈数字表示序号，如注①、注②等，数量不少于10个，脚注少于10个的论文为不合格论文。7．参考文献参考文献是论文的不可缺少的组成部分,是作者在写作过程中使用过的文章、著作名录。参考文献应以近期发表或出版的与法学专业密切相关的学术著作和学术期刊文献为主，数量不少于6篇，参考文献少于6篇的论文成绩评定为不合格。产品说明、技术标准、未公开出版或发表的研究论文等不列为参考文献，有确需说明的可以在后记中予以说明。二、打印装订要求论文必须使用标准A4打印纸打印，一律左侧装订，并至少印制3份。页面上、下边距各2.5厘米，左右边距各2.2厘米，并按论文装订顺序要求如下：1．封面封面包括《广西广播电视大学关于毕业设计（论文）评审表》（封面、附录4）、《学生毕业设计（论文）评审表》（封2）、《广西广播电视大学关于毕业设计（论文）答辩申报表》（封3、附录5）。 2．目录目录列至论文正文的三级及以上标题所在页码，内容打印要求与正文相同。目录页不设页码。3．内容摘要摘要标题按照正文一级子标题要求处理，摘要内容按照正文要求处理。4．关键词索引关键词与内容摘要同处一页，位于内容摘要之后，另起一行并以“关键词：”开头（采用黑体），后跟3~5个关键词（采用宋体），词间空1字，即两个字节，其他要求同正文。5．正文正文必须从内容提要页开始，并设置为第1页。页码在页末居中打印，其他要求同正文（如正文第5页格式为“―5―”）。论文标题为标准三号黑体字，居中，单倍行间距；论文一级子标题为标准四号黑体字，居中，20磅行间距；正文一律使用标准小四号宋体字，段落开头空两个字，行间距为固定值20磅；正文中的插图应与文字紧密配合，文图相符，内容正确，绘制规范。插图按章编号并置于插图的正下方，插图不命名，如第二章的第三个插图序号为“图2—3”，插图序号使用标准五号宋体字；正文中的插表不加左右边线。插表按章编号并置于插表的左上方，插表不命名，如第二章的第三个插表序号为“表2—3”，插表序号使用标准五号宋体字。6、 参考文献按照GB7714—87《文后参考文献著录规则》规定的格式打印，内容打印要求与论文正文相同。参考文献从页首开始，格式如下：（1）著作图书文献序号 作者 《书名》，出版地：出版者，出版年份及版次（第一版省略）如：[4] 劳凯声 《教育法论》，南京：江苏教育出版社，2001（2）译著图书文献序号 作者 《书名》，出版地：出版者，出版年份及版次（第一版省略）（3）学术刊物文献序号 作者 《文章名》，《学术刊物名》，年卷（期）如：[5]周汉华 《变法模式与中国立法法》，《中国社会科学》，2000（1）（4）学术会议文献序号 作者 《文章名》，编者名，会议名称，会议地址，年份，出版地，出版者，出版年（5）学位论文类参考文献序号 作者 《学位论文题目》，学校和学位论文级别，答辩年份（6）西文文献著录格式同中文，实词的首字母大写，其余小写。参考文献作者人数较多者只列前三名，中间用逗号分隔，多于三人的后面加“等”字（西文加“etc.”）。学术会议若出版论文集者，在会议名称后加“论文集”字样；未出版论文集者省去“出版者”、“出版年”项；会议地址与出版地相同的省略“出版地”，会议年份与出版年相同的省略“出版年”。三、毕业设计（论文）装袋要求毕业设计（论文）是专业教学的重要内容，必须规范管理，统一毕业设计（论文）材料装袋要求：1、论文稿本。经指导的提纲，一稿、二稿和装订好的正稿。2、过程记录表。包括指导教师指导记录表，学生毕业设计（论文）评审表（答辩过程记录表）等；3、相关材料。法专业要求的其他材料，如法学社会调查报告等。中国环境教育立法研究内容摘要摘要：目前，我国学术界对环境教育立法问题的研究还处于起步阶段，有关环境教育的法律规范也很不完善，影响和限制了我国环境教育的大力推行和良好普及，实质上是制约了我国解决环境问题的能力和可持续发展的进程。本文从环境问题的现状入手，阐释了环境教育立法的必要性和可行性，介绍了其他国家和地区的环境教育立法实践，在总结国内外先进经验的基础上，提出了对我国环境教育立法的构想。以期通过加强教育立法的途径，实现我国环境教育的普及，为改善解决我国环境问题的能力和可持续发展的进程创造条件。关键词：环境问题环境教育环境教育立法 一、环境问题、环境教育与环境教育立法（一）环境问题马克思说：“人靠自然界生活，这就是说，自然界是为了不致死亡而必须不断与之交往。所谓人的肉体生活和精神生活同自然界相联系，也就等于说自然界同自身相联系，因为人是自然界的一部分。” 生存与发展是人类社会最基本的主题。在人类与环境不断地相互影响和作用中，环境问题始终是伴随着人类的活动产生和发展的。不幸的是，在相当长的时期内，人类过分强调了作为自然主人的一面，夸大了人的主观能动性作用，忽视甚至忘却自然界的惩罚。环境问题并非始于今日，早在200年前的第一次工业革命时期就产生了环境问题。到了本世纪50年代，环境事件不断出现和加剧。到了70～80年代则出现了全球性的环境危机。目前全球人口正以每年9 000万的速度增长，预计到21世纪中期，世界人口将达到100亿。 人口无节制地增长，给地球的生态环境和有限的自然资源带来了沉重的压力。联合国列出了威胁人类生存的全球十大环境问题：全球气候变暖；臭氧层的损耗和破坏；酸雨蔓延；水资源危机；生物多样性减少；大气污染；有毒有害化学物质污染与危险废物越境转移；森林面积锐减；土地荒漠化；海洋污染。随着我国社会经济的迅速发展，环境保护与经济发展之间的矛盾日益凸显。20世纪最后几年有三件震撼国人的大事足以说明我国环境问题的严重性，已显示出环境破坏给人类带来的灾难性的报复。一是1997年创纪录(227天)的黄河断流；二是1998年的长江大水灾；三是2000年波及北京等地的频繁的沙尘暴。专家指出了目前困扰中国环境的十大问题。1、大气污染问题2004年我国二氧化硫排放量为1 995万吨，居世界第一位。据专家测算，要满足全国天气的环境容量要求，二氧化硫排放量要在现有基础上至少削减40%。此外，2004年中国烟尘排放量为1 165万吨，工业粉尘的排放量为1 092万吨。大气污染是中国目前面临的第一大环境问题。2、水环境污染问题中国七大水系的污染程度依次是：辽河、海河、淮河、黄河、松花江、珠江、长江，其中，42%的水质超过3类标准（不能做饮用水源），全国有36%的城市河段为劣质5类水质，丧失使用功能。大型淡水湖泊（水库）和城市湖泊水质普遍较差，75%以上的湖泊富营养化加剧，主要由氮、磷污染引起。3、垃圾处理问题中国全国工业固体废物年产生量达8.2亿吨，综合利用率约为46%。全国城市生活垃圾年产生量为1.4亿吨，达到无害化处理要求的不到10%。塑料包装物和农膜导致的白色污染已蔓延全国各地。（二）环境教育与环境问题的关系1、环境教育的发展历程环境教育的起源，一直可以追溯到19世纪末20世纪初的自然研究（Natural Study）。当时在学校开展自然研究的基本目的是教育学生通过亲身观察和参与，了解和评价自然环境。到20世纪上叶，人们认识到保护生态和自然环境的重要性，保护运动（Conservation movement）在社会中形成，学校教育在自然研究的基础上引入了自然保护的教育内容，这就是环境教育的萌芽。（1）国外环境教育的发展历程1972年在瑞典首都斯德哥尔摩召开的“世界人类环境会议”是环境教育发展的一个里程碑。为了响应斯德哥尔摩会议的第96条建议，联合国教科文组织和联合国环境规划署于1975年颁布了国际环境教育计划（IEEP），其目的是在环境教育领域内，促进经验和信息的交流、研究和实验、人员培训、课程和相应教材的开发及国际合作。1975年，在前南斯拉夫的贝尔格莱德召开的国际环境教育会议，通过了《贝尔格莱德宪章：环境教育的全球纲领》。该宪章根据环境教育的性质和目标，指出环境教育是“进一步认识和关心经济、社会、政治和生态在城乡地区的相互依赖性；为每一个人提供获得保护环境的知识和价值观、态度、责任感和技能；创造个人、群体和整个社会行为的新模式。”此后，《贝尔格莱德宪章》成为世界各国制定环境教育纲要与章程的重要依据之一。而环境教育的普及对环境相关法律的立法、执法都可起到相当大的辅助作用。大力开展环境教育，使环境意识特别是环境保护法律意识深入人心，使人们认识到环境问题不仅是社会问题，更是可以涉及到每个人切身利益和法律责任、社会责任的问题，认识到环境问题和法律责任的关系，更好地使环境保护法律成为预防环境问题发生的利剑，这样可以达到依法治理环境和人们自觉保护环境的目的。二、中国环境教育立法的必要性和可行性（一）中国环境教育立法的必要性当一种社会关系需要用立法来调整，说明这种社会关系的重要性。中国环境教育专门立法是否必要，则完全取决于以下前提：（1）环境教育的重要性；（2）环境教育立法对社会经济发展的重要作用。五、结论21世纪是环境世纪，公众的环境意识通过环境教育来建立。根据我国人口多，地区经济水平差异大，公民受教育程度不一的现状，要使公众的环境保护意识提高到一个比较高的水平，实现社会——经济——环境的协调发展，尽早达到国家的可持续发展目标，构建和谐社会，通过立法机关制定完善的、具有可操作性的《环境教育法》不失为一个有效的方法。希望对促进我国环境教育法律体系的建立提供一些有益的参考。 识和关心经济、社会、政治和生态在城乡地区的相互依赖性；为每一个人提供获得保护环境的知识和价值观、态度、责任感和技能；创造个人、群体和整个社会行为的新模式。”此后，《贝尔格莱德宪章》成为世界各国制定环境教育纲要与章程的重要依据之一。而环境教育的普及对环境相关法律的立法、执法都可起到相当大的辅助作用。大力开展环境教育，使环境意识特别是环境保护法律意识深入人心，使人们认识到环境问题不仅是社会问题，更是可以涉及到每个人切身利益和法律责任、社会责任的问题，认识到环境问题和法律责任的关系，更好地使环境保护法律成为预防环境问题发生的利剑，这样可以达到依法治理环境和人们自觉保护环境的目的。二、中国环境教育立法的必要性和可行性（一）中国环境教育立法的必要性当一种社会关系需要用立法来调整，说明这种社会关系的重要性。中国环境教育专门立法是否必要，则完全取决于以下前提：（1）环境教育的重要性；（2）环境教育立法我国环境教育法律体系的建立提供一些有益的参考。 毕 业 论 文（设 计） 题 目 基于LS-SVM的电力电子电路故障预测方法 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作 者 签 名：　　 　 　　日　 期：　　 　 　　 ​​​​​​​​​​​​ 指导教师签名：　　 　 　　 日　　期：　　 　 　　 使用授权说明 本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：　　 　 　　 日　 期：　　 　 　　 ​​​​​​​​​​​​ 基于LS-SVM的电力电子电路故障预测方法 [摘要]电力电子电路是整个电力电子设备中最关键的部分，面对其可能出现的故障及其严重后果，对其的故障预测就显得尤其重要。为此，根据现有故障预测理论和方法，在总结前人经验的基础上，本文采用最小二乘支持向量机预测算法对电力电子电路进行故障预测。具体内容如下： 以基本降压斩波电路为例，选择电路输出电压作为监测信号，提取输出电压平均值及纹波值作为电路特征性能参数，并利用LS-SVM 回归预测算法实现故障预测。仿真结果表明，利用LS-SVM 对基本降压斩波电路输出平均电压与输出纹波电压的预测相对误差均低于2%，能够跟踪故障特征性能参数的变化趋势，有效实现电力电子电路故障预测。 [关键词]电力电子电路 故障预测 特征性能参数 最小二乘支持向量机 The power electronic circuit fault prediction method based on the LS-SVM Author：Ji Yinghua (Grade 08， Class 01，Major Automation，Department of Electrical Engineering ，Shaanxi University of Technology ，Hanzhong ，723003，Shaanxi ) Tutor :Hou Bo Abstract：The power electronic circuit is the most important part of the power electronic equipment . facing its possible faults and its serious consequences , its fault prediction is especially important. Therefore, in view of the existing power electronic circuit fault prediction of the characteristics of the technology , the paper proposes the least square support vector machine forecasting algorithm for the power electronic circuit fault prediction. Specific content as follows: With basic buck-chopper circuit , choose circuit output voltage signal as monitoring signal, extract output voltage ripple and average value as circuit features performance parameters, then using LS-SVM regression algorithm to the fault prediction . The experimental result shows that the use of the output circuit LS-SVM average voltage and output voltage ripple of the relative prediction error less than 2%, it can follow the fault feature performance parameters change trend, realize the power electronic circuit fault prediction effectively . Key words：The power electronic circuit , fault prediction , features performance parameters , least square support vector machine . 目 录 11．绪论 11.1 课题研究的目的及意义 11.1.1对电力电子电路进行故障预测的目的和前景 11.1.2 本课题的主要思想和方法 11.2 电力电子电路故障诊断特点和作用 11.2.1 电力电子电路故障诊断特点 11.2.2 电力电子电路故障预测的作用 21.3 传统的电力电子电路故障诊断方法 31.4 电力电子电路故障预测方法的研究现状 31.5 本论文主要内容 42. 最小二乘支持向量机理论 42.1 支持向量机 42.1.1 支持向量机概述 42.1.2 统计学习理论 52.1.3 支持向量机原理 92.2 最小二乘法 92.2.1 最小二乘法原理 102.2.2 最小二乘法公式 102.3 最小二乘支持向量机和支持向量机的比较 112.4 本章小结 123. 基于LS-SVM的电力电子电路故障预测 123.1 电力电子电路故障预测步骤 123.2 特征性能参数的提取 123.2.1 电力电子电路仿真模型的建立 133.2.2 特征性能参数的计算 133.2.3 特征性能参数数据 143.3 本章小结 154．LS-SVM 预测结果及故障分析 154.1 特征性能参数预测结果 174.2 buck电路故障预测结果 184.3 核函数参数寻优 214.4 本章小结 225．结论与展望 23参考文献 24致谢 25外文文献翻译 1．绪论 1.1 课题研究的目的及意义 1.1.1对电力电子电路进行故障预测的目的和前景 随着新型飞机的研制开发及其安全性、可靠性要求的不断提高，作为提高飞机安全性的有效手段，以及促进现有飞机维修保障技术的智能化发展，飞机健康预报与管理技术已经得到国内外越来越多的重视关注[1-2]。飞机电源系统故障预测[3]是飞机健康管理系统的重要组成部分，而飞机电源系统故障预测的关键在于对电力电子电路的故障预测，因此对电力电子电路故障预测关键技术研究在飞机的健康管理系统中具有十分重要的理论意义和应用前景。另外，由于各种电力电子设备在国民生产及人民生活中的广泛应用，能及时保证各种设备的良好运行，避免不必要的损失，对其的故障预测就显得尤为重要，而由于电力电子设备由很多部分组成，其中包括电力电子主电路、电动机、发电机和各种应用电路等。电力电子电路又是整个电力电子设备中最关键的部分，故对电力电子电路的故障预测和诊断就显得尤其重要。 1.1.2 本课题的主要思想和方法 将电路特征性能参数和最小二乘支持向量机( least squares support vector machine，LS-SVM) 预测算法结合，对电力电子电路进行故障预测。以基本降压斩波电路（buck chopper）为例，选择电路输出电压作为监测信号，提取输出电压平均值及纹波值（峰-峰值）作为电路特征性能参数，并利用LS-SVM 回归算法实现故障预测，实现电力电子电路的故障预测。由此，本课题采用基于最小二乘支持向量机( least squares support vector machine，LS-SVM ) 的电力电子电路故障预测方法，其基本思想为: 优选电路级故障特征性能参数，利用LS-SVM回归算法预测所选故障特征性能参数，实现电力电子电路的故障预测。 1.2 电力电子电路故障诊断特点和作用 1.2.1 电力电子电路故障诊断特点 电力电子电路的实际运行表明，大多数故障表现为功率开器件的损坏，其中以功率开关器件的开路和直通最为常见，属于硬故障。但是，电力电子电路的故障诊断与一般的模拟电路和数字电路的故障诊断还有一个重要的差别，那就是故障信息仅存在于发生故障到停电之前的数毫秒到数十毫秒之间，因此需要实时监视、在线诊断。电力电子设备一旦发生故障，小则造成电器产品损坏、交通阻塞、工矿企业停产，大则会威胁人民生命、财产安全，甚至造成重大的人员伤亡或灾难事故，影响国民经济的正常运行。所以，对电力电子电路进行故障预测和诊断显得日趋重要。长期以来，人们采取两种维修对策：一是等设备坏了再进行维修，称为事后维修，这种办法的缺陷是经济损失很大。二是定期检修设备，称为预防维修。这种方法有一定的计划性和预防性，但其缺陷是如果没有故障，则没有必要的经济损失比较大。   　　 1.2.2 电力电子电路故障预测的作用 　　（1）实现早期预报，防止事故发生； 　　（2）预知性维修，提高设备管理水平； 　　（3）方便检修，缩短了维修时间，提高设备利用率； 　　（4）对提高设备的设计制造水平，改善产品质量有指导意义。 1.3 传统的电力电子电路故障诊断方法 一般来说，电力电子电路故障诊断技术包括两方面的内容：一是故障信息的 检测 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 ：以一定的检测技术，获取故障发生时的所需故障信息，供故障分析，推理用；二是故障的诊断：依据检测的故障信息，运用合适的故障诊断方法，对故障进行分析、推理，找出故障发生的原因并定位故障发生部位。传统的故障诊断方法在电力电子电路故障诊断中也得到的广泛应用，如故障字典法、故障树、专家系统等[4]。 　　(1)故障字典法。把一组典型的测量特征值和故障值以一定的表格形式存放，通过比较测量值和特征值，判断故障。先用计算机对电路正常状态和所有硬故障状态模拟，建立故障字典。然后对端口测试进行分析，以识别故障，即将选定节点上测出的电压与故障字典中电压比较，运用某些隔离算法查出对应故障。 故障字典法对于模拟电路和数字电路故障诊断具有很大的实用价值，但故障字典法只能解决单故障诊断，多故障的组合数大，在实际中很难实现。   　　(2)故障树法。故障树诊断法就是对可能造成系统失效的各种因素（包括硬件、软件、环境、人为因素）进行分析，画出逻辑框图，即故障树，从故障树的顶事件进行搜索从而找出故障原因的方法。故障树表达了系统内在联系，并指出了元部件故障与系统之间的逻辑关系。 　　故障树诊断直观、灵活、通用，但建树工作量大，繁琐易错，对诊断故障空间较小的问题比较合适。 (3)残差法。残差法是一种基于解析模型的故障诊断方法。即通过研究实际系统与参考模型特征输出量间的残差来进行电力电子装置主电路在线故障诊断和故障定位的过程。该方法同样适用于逆变器主电路的故障诊断，参考模型法用于电力电子电路的故障诊断具有检测量少、判据简单且与输出大小无关的特点。特别是在复杂电力电子电路的故障诊断中该法的优势更加明显。 (4)直接检测功率器件两端电压或桥臂电流的方法。通过检测各功率器件两端的电压，或检测各桥臂电流，得到功率器件的工作方式，再与触发脉冲进行时序逻辑比较，从而判断被诊断对象是否故障，此方法需要检测每个被诊断器件的电压和电流，所需测点较多，需要专门的检测电路和逻辑电路。该方法还可以通过测量电路的输入输出来实现故障诊断。正常工作时，电路的输入输出在一定的范围内变动，当超出此范围时，可认为故障已经发生。另外，还可以测量输入输出变量的变化率是否超出范围来判断是否发生故障。该方法虽然简单，但抗干扰性差。 (5)专家系统诊断的方法。专家系统就是利用计算机推理能力和领域专家的丰富经验，以及系统内部因果关系和人工智能的机器学习功能，设计出的一种智能计算机程序系统，解决复杂的系统故障诊断问题。专家系统对经验性的诊断知识进行形式化描述，突破个人局限广为传播，有利于存储和推广专家的经验，发挥专门人才作用，开辟了综合利用专家知识的新途径，比人类专家更可靠、灵活，不受环境影响。专家系统的知识结构中知识库与推理控制相对独立，可重写增删，可以结合其它诊断方法，构成知识结构的应用程序，拥有人机联诊功能，充分发挥了现场技术人员的主观能动性，并能逐步积累经验日趋完善，因此是很有生命力的故障诊断法。 专家系统诊断的基本思想是：先通过实验或仿真建立起一个可靠的知识库，该知识库包含了电路的环境知识、系统知识和一个规则库，其中知识库反映了系统的因果关系，具体到故障诊断系统中就是系统变量和故障类型、故障点之间的因果关系：然后通过人机接口得到实际运行中的特征变量值；将它应用到规则库进行推理，就得到了电路的基本工作状态和故障信息。该方法的缺点是知识库建立困难，特别是知识库庞大时更是如此。传统的故障诊断专家系统，大多是基于规则的专家系统，它将领域知识编成一系列产生式规则（表示形式为if…，then…）。这种专家系统可以解决许多系统的故障诊断问题，但是由于对复杂的系统要利用大量的产生式规则，因而故障诊断专家系统运行很慢，很难适应实时环境的要求；另外，当遇到未见过的新故障或新信息时，如此建立的专家故障诊断系统往往不能正确处理，会因推理能力弱而出现“匹配冲突”、“组合爆炸”及“无穷递归”等问题。要解决这些问题，除非不断进行规则更新，可是新规则与原有规则很有可能相互牵连，这必然导致在规则添加和删除时遇到难以处理的困难。总之，专家诊断系统存在知识获取“瓶颈”问题、难以维护、应用面窄以及诊断能力弱和不适应模糊问题等缺点。 1.4 电力电子电路故障预测方法的研究现状 目前，飞机机载机电设备、发动机系统等健康预测研究比较热，机载电子设备故障预测技术研究也逐步受到重视。现有故障预测算法种类繁多，其中时间序列［5］、神经网络［6］、支持向量机回归预测［7］三种方法应用最为广泛。 时间序列预测方法对序列变化比较均匀的短期预测情况较为理想，优点是所需历史数据少、工作量小，但该方法在非线性预测中预测精确度较差。神经网络方法在非线性领域中得到了广泛的应用，但该方法容易陷入局部最优、收敛速度慢等缺点。而支持向量机回归预测解决了神经网络容易陷入局部极小点的问题，并且和时间序列预测方法相比有泛化能力较强、预测准确度较高等多方面优点。另外，现阶段电力电子电路故障预测大多是对电路中关键元器件的故障预测，如电解电容器，故障特征参数多为元器件的特征参数，而对电路级的故障预测研究很少。 1.5 本论文主要内容 本论文根据需要，一共分为五章。第一章：绪论；主要讲述内容有电力电子电路故障预测的特点及现有的预测方法的研究现状。第二章：最小二乘支持向量机；主要讲述内容有支持向量机原理、最小二乘法，最小二乘支持向量机和支持向量机的比较。第三章：基于LS-SVM的电力电子电路故障预测；主要讲述内容有，电力电子电路故障预测步骤，特征性能参数的提取等。第四章：LS-SVM 预测结果及故障分析。第五章：结论与展望。最后附参考文献和致谢。 2. 最小二乘支持向量机理论 2.1 支持向量机 2.1.1 支持向量机概述 支持向量机（Support Vector Machine ,SVM）是一种基于统计学习理论的机器学习方法，主要应用于模式识别领域。这个方法是由Boser, Guyon和Vapnik等人于1995年首先提出，并从此迅速发展起来的。它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。 支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化归纳原则基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力。 通常来说，我们希望分类的过程是一个机器学习的过程。比如这些数据点是n维实空间中的点，我们希望能够把这些点通过一个n-1维的超平面分开，通常这被称为线性分类器。有很多分类器都符合这个要求，但我们还希望找到分类最佳的平面，即使得属于两个不同类的数据点间隔最大的那个平面，该平面亦称为最大间隔超平面。如果我们能够找到这个面，那么这个分类器就称为最大间隔分类器。而支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。并且，平行超平面间的距离或差距越大，分类器的总误差越小。 　 所谓“支持向量”是指那些在间隔区边缘的训练样本点，而这里的“机”实际上是一个算法。在机器学习领域，常把一些算法看做是一个机器。同时，支持向量机又与神经网络类似，都是学习型的机制，但与神经网络不同的是支持向量机使用的是数学方法和优化技术。 2.1.2 统计学习理论 （1）VC维(Vapnik-Chervonenkis Dimension) 模式识别方法中VC维的直观定义是：对一个指示函数集，如果存在h个样本能够被函数集里的函数按照所有可能的2h种形式分开，则称函数集能够把h个样本打散。函数集的VC维就是它能打散的最大样本数目h（如图2.1所示）。VC维反映了函数集的一种学习能力。VC维越大则学习机越复杂。 图2.1 VC维实例 （2）结构风险最小化原则（Structure Risk Minimization，SRM） 假设输出变量Y与输入变量X之间存在某种对应的依赖关系，即一未知概率分布F(X,Y)，F(X,Y)反映了某种知识。学习问题可以概括为：根据L个独立同分布的观测样本 (x1,y1),(x2,y2),…,(xn , yn)的训练。 现学习到一个假设 作为预测函数，它对F(X,Y) 的期望风险 （即统计学习的实际风险）是： (2.1) 其中， 称作预测函数集， 为函数的广义参数。 可以表示任何函数集 。 为由于用 对y进行预测而造成的损失。不同类型的学习问题有不同形式的损失函数。而对训练上所产生的风险 被称为经验风险： (2.2) 首先 和 都是w的函数，传统概率论中的定理只说明了在一定条件下当样本趋于无穷多时 将在概率意义上趋近于 ，却没有保证使 最小的点也能够使 最小（即同步最小）。 统计学习理论研究了关于各种类型的函数集，经验风险和实际风险之间的关系，即推广性的界。对于两分类的问题，推广性的界是指对指示函数集中的所有函数f，经验风险 和实际风险 之间至少以不下于1-p (0≤p≤1) 的概率存在这样的关系: (2.3) 其中h是函数集的VC维，n是样本数。 要使实际风险最小，就需要使得上述不等式中两项相互平衡，共同趋于最小。统计学习理论中提出了一种新的策略，即使函数集合构造为一个函数子集序列： 各个子集按照VC维的大小排列： 而 2.1.3 支持向量机原理 支持向量机是从线性可分情况下的最优分类面发展而来的，基本思想可用图2.2的两维情况说明。 图2.2 关于最优分类线的说明 如图2.2所示，方形点和圆形点代表两类样本，H 为分类线，H1，H2分别为过各类中离分类线最近的样本且平行于分类线的直线,，它们之间的距离叫做分类间隔(margin)。所谓最优分类线就是要求分类线不但能将两类正确分开，而且使分类间隔最大。推广到高维空间，最优分类线就变为最优分类面。 支持向量机的理论最初来自于对数据分类问题的处理。对于线性可分数据的二值分类，如果采用神经网络来实现，其机理可以简单描述为：系统随机的产生一个超平面并移动它，直到训练集合中属于不同类别的点正好位于该超平面的不同侧面，就完成了对网络的设计要求。但是这种机理决定了不能保证最终所获得的分割平面位于两个类别的中心，这对于分类问题的容错性是不利的。支持向量机方法很巧妙地解决了这一问题。它是在统计学习理论基础上发展起来的一种学习机器。在线性情况下，在原空间寻找两类样本的最优分类超平面，而在非线性情况下，首先将原始模式空间映射到高维的特征空间，并在该特征空间中寻找最优分类超平面。支持向量机利用一些具有特殊性质的核函数，将特征空间中的内积运算转化为低维空间中的非线性运算，从而避免了高维空间中的计算问题。现分情况说明。 （1）线性可分最优分类面 a) 最优分类面 考虑一个两类训练样本集的分类问题： (2.4) 存在如下超平面： ，使得训练样本集完全正确分开，同时满足距离超平面最近的两类点间隔最大，我们称样本集被超平面最优划分。归一化超平面方程，使得所有样本集满足如下约束条件： (2.5) 此时分类间隔为2/||w||，最大间隔等价于使 ||w||2最小。使分类间隔最大实际上就是对学习机推广能力的控制，这是支持向量机的核心思想之一。统计学习理论指出，在N维空间中，设样本分布在一个半径为R的超球范围内，则满足条件 的正则超平面构成的指示函数集 的 VC 维满足下面的界： (2.6) 因此，使||w||2最小就是使 VC 维的上界最小，从而实现结构风险最小化准则中对函数复杂性的选择。 b) 最优问题求解 在线性可分情况下，在结构风险最小化准则下的最优超平面问题，可以表示为如下的约束优化问题： (2.7) 上式问题的最优解可以通过求解拉格朗日函数的鞍点得到，定义如下的拉格朗日函数： (2.8) 其中， 为各样本对应的拉格朗日系数。 求解式 的最小值，可以令该泛函对 w和 b 求偏导，并令它们等于0，就可以把上述求最优分类面的问题转化为较简单的对偶问题。其对偶问题由如下形式给出： (2.9) 这是一个不等式约束下二次函数寻优的问题，存在唯一解。以上优化问题的最优解为： ； 这样，计算得到: ， (2.10) 其中， 和 是两类中任意的支持向量。 c) 构造判别函数 获得支持向量及相关参数后，就可以求得上述问题的最优最终判别函数： (2.11) （2）线性不可分最优分类面 以上讨论仅限定在训练样本数据是线性可分的情况，即经验风险 为 0的前提下，通过对分类间隔最大化，使分类器获得最好的推广性能。然而，实际中存在大量线性不可分情况，解决 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 是在条件式（2.5）中引入非负松弛项 这时约束条件式成为: (2.12) 容许错分的分类超平面称作线性软间隔分类超平面。由于允许存在错分样本，此时的软间隔分类超平面表示在剔除那些错分样本后最大分类间隔的超平面。此时，目标函数由式（2.7）变为： (2.13) 即折衷考虑最少错分样本和最大分类间隔。其中惩罚参数 C 作为综合这两个目标的权重。线性软间隔优化问题对应的拉格朗日函数形式如下： (2.14) 其中， 对偶表示可以通过求 的偏导等于0得到： (2.15) 线性软间隔分类超平面的对偶问题与线性可分目标函数相同。仅有的区别只是约束条件变为： ，最优判别函数的形式与式( 2.11 )一样。 （3）非线性支持向量机 前面介绍了在样本线性可分和线性不可分的情况下，如何求解最优超平面。而在实际分类问题中，分类问题往往是一个非线性的问题，理想的分类面应该也是非线性的。支持向量机处理非线性问题的方法是，首先将训练集从原始模式空间经过特定函数的非线性变换，映射到高维特征空间，将非线性问题转化为某个高维空间中的线性问题，然后在高维特征空间中，寻找最优分类超平面，该超平面实际上对应着原始模式空间中的非线性分类面。因此，支持向量机在处理非线性分类问题时，仅比线性情况多了一个非线性映射环节。假定该非线性映射为： ，这时对偶形式的目标函数变为： (2.16) 由于对偶形式中只出现两向量的内积运算，此时采用满足核函数 来代替内积运算，实现非线性软间隔分类。常用的核函数包括线性核函数、多项式核函数、径向基核函数以及Sigmoid 核函数等。其核形式的最优判别函数为： (2.17) 2.2 最小二乘法 2.2.1 最小二乘法原理 最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。 在我们研究两个变量（x,y）之间的相互关系时，通常可以得到一系列成对的数据（x1,y1.x2,y2... xm,ym）；将这些数据描绘在x-y直角坐标系中，若发现这些点在一条直线附近，可以令这条直线方程如式（2.18）所示： (2.18) 其中：a0、a1 是任意实数。 　　可见，为建立这个直线方程就要确定a0和a1。并且，在此将实测值Yi与利用（2.18）得到的计算值 的差的平方和 的最小定义为“优化判据”。 令： (2.19) 　　把（2.18）代入（2.19）中得： (2.20) 当 最小，即满足优化判据时，可用函数 对a0、a1求偏导数，令这两个偏导数等于零。 得到： (2.21) 　　得到的两个关于a0、 a1为未知数的两个方程组，解这两个方程组得出： (2.22) (2.23) 　　这时把a0、a1代入(2.18)中， 此时的(2.18)就是我们回归的线性方程即数学模型。 在(2.22)和（2.23）中，m为样本容量，即实验次数；Xi、Yi分别任意一组实验X、Y的数值。 2.2.2 最小二乘法公式 以下“ ”表示某参数X的算术平均值。即 。 （1） （2）　 （3） 2.3 最小二乘支持向量机和支持向量机的比较 支持向量机主要是基于如下思想：首先选择一非线性映射 把n 维样本向量 从原空间 映射到特征空间，在此高维特征空间中构造最优线性决策函数 。在构造最优决策函数时，利用了结构风险最小化原则，并巧妙地利用原空间的核函数取代了高维特征空间的点积运算，避免了复杂计算。标准支持向量机和最小二乘支持向量机在利用结构风险原则时，在优化目标中选取了不同的损失函数，它们分别为误差 （允许错分的松弛变量）和误差 的二范数。[9] 对支持向量机，优化问题为： (2.24) 对最小二乘支持向量机，优化问题为： (2.25) 用拉格朗日法求解上述优化问题, 支持向量机优化问题转化为下面的二次规划： (2.26) 而最小二乘支持向量机优化问题则转化为求解线性方程： (2.27) 2.4 本章小结 本章主要从理论方面阐述了统计学习理论，支持向量机的原理，最小二乘法的原理及公式，最小二乘支持向量机和支持向量机的比较，从而进一步为后面的电力电子电路故障预测步骤和方法做好准备。 3. 基于LS-SVM的电力电子电路故障预测 3.1 电力电子电路故障预测步骤 根据本课题研究内容，要实现电力电子电路故障预测，首先必须选取合适的电路极故障特征性能参数。对于不同的电力电子电路，需要根据电路不同的功能和结构特点，确定能够反映电路健康状态的特征性能参数。 在这里我们选取基本降压斩波电路（buck chopper）作为此次研究的电路对象，使用Pspice软件建立动态仿真模型，选择电路的输出电压Uo作为监测信号，并获得稳态时的波形数据，并且，设定电路元器件参数随时间变化值，计算各个时刻对应输出电压平均值及纹波值作为电路的故障特征性能参数数据；最后，采用最小二乘支持向量机工具箱LS-SVMlab预测，将预测值与故障阈值相比较，从而预测电路未来某一时刻是否会发生故障。具体流程如图3.1所示： 图3.1 电力电子电路故障预测流程 3.2 特征性能参数的提取 3.2.1 电力电子电路仿真模型的建立 我们知道，Buck电路的功能是实现DC-DC 的降压转换。由于有充放电过程，其输出电压并不是理想的直流电压，而是存在一定的波动。一般来说，Buck电路输出电压的直流值、纹波值都在一定的波动范围内，才能满足电路输出要求。因此Buck电路输出电压是否满足要求是其电路性能最重要的衡量标准。据此分析，可监测电路输出电压Uo，提取输出平均电压及纹波电压作为电路故障特征性能参数，对电路的健康状态进行评估。 据此，采用Pspice 软件建立buck电路动态仿真模型，此处，电力MOSFET选取IRF151，其开关频率f=50kHz，占空比D=0.22；滤波电感L=43μH，续流二极管D1选择MUR405，输出滤波电容C=220μF，采用理想电容和一个寄生电阻Resr表示一个实际电容 ； 负载为阻性负载RL=1.25Ω。[8] 仿真模型图如图3.2所示： 图3.2 用Pspice做出的buck电路仿真模型 3.2.2 特征性能参数的计算 （1）输出电压平均值。根据均值定理，以稳态时电路输出电压Uo为监测变量，进行采样，得到电压波形数据，由式（3.1）可求得输出电压平均值Uo，其中N为采样点数，Uo(i)为电路输出电压的第i个采样点。 （3.1） （2）纹波电压。纹波电压是指输出电压的交流分量，可以用有效值或峰值表示。本文选择峰—峰值表示纹波的大小。监测稳态时电路输出电压，得到输出电压的波形数据，提取其最大、最小值，两者之差即为纹波电压的峰—峰值ΔU。即： （3.2） 3.2.3 特征性能参数数据 根据各元器件参数的缓变故障及其变化趋势，设定电路各元器件参数[8.10]( 包括电解电容器C和Resr，电感值L，功率MOSFET 导通电阻Rds，阈值电压Vth 和跨导gm ) 随时间变化如表3.1所示，时间间隔为1小时。 根据表1中所给不同时刻元器件参数的变化，分别设置buck电路，监测输出电压，利用输出电压波形数据及式（3.1）（3.2）得到各时刻电路的输出平均电压及纹波电压值，如表3.2所示。 表3.1 buck电路元器件参数变化 时刻点/ h C / (F Resr / m( L / (H Rds / m( Vth / V gm/( 1 220 512 43 1.6 2.83 20.5 2 218 523 42.9 3.6 2.85 20.4 3 215 532 42.8 5.7 2.87 20.3 4 212 544 42.6 8.0 2.89 20.2 5 208 557 42.4 11 2.91 20.1 6 205 570 42.2 15 2.93 20 7 200 583 42 19 2.95 19.9 8 194 608 41.7 24 2.97 19.7 9 189 621 41.5 29 3.0 19.5 10 183 637 41.1 34 3.03 19.2 表3.2 特征性能参数数据 时刻点/h 平均电压/V 纹波电压/V 1 5.137 0.768 2 5.135 0.782 3 5.132 0.793 4 5.130 0.809 5 5.126 0.825 6 5.123 0.842 7 5.118 0.858 8 5.112 0.889 9 5.106 0.905 10 5.100 0.928 3.3 本章小结 在前文的基础上，本章主要介绍了对电力电子电路进行故障预测的步骤和方法，包括电力电子电路仿真模型的建立，特征性能参数的提取和特征性能参数的计算。以此进一步进行电路的故障预测。 4．LS-SVM 预测结果及故障分析 4.1 特征性能参数预测结果 首先，我们选择表3.2中 1～6 点为第一次训练样本，对第7点进行预测，之后将第7点的测量值替代第1点，2～7 点构成6个训练样本，对第8点进行预测，依次类推完成4个时刻点的预测。在此分别对平均电压和纹波电压实现预测。并且，我们选择不同的核函数和核函数参数来比较各自的预测结果。 （1）LS-SVM 算法中核函数选择线性（lin）核函数，核函数参数 gam =100，预测曲线如图4.1和图4.2所示： 图4.1 平均电压预测曲线(lin核函数，gam=100) 图4.2 纹波电压预测曲线（lin核函数，gam=100） （2）LS-SVM 算法中核函数选择径向基（RBF）核函数，核函数参数gam =100，sig2=10，预测曲线如图4.3和图4.4所示： 图4.3 平均电压预测曲线（RBF核函数，gam=100，sig2=10） 图4.4 纹波电压预测曲线（RBF核函数，gam=100，sig2=10） （3）LS-SVM 算法中核函数选择径向基（RBF）核函数，核函数参数gam =1000，sig2=50，预测曲线如图4.5和图4.6所示： 图4.5 平均电压预测曲线(RBF核函数，gam=1000，sig2=50) 图4.6 纹波电压预测曲线(RBF核函数，gam=1000，sig2=50) 4.2 buck电路故障预测结果 当选择了平均电压和纹波电压作为buck电路的特征性能参数后，若能确定电路发生故障时特征性能参数的阈值，根据预测值和故障阈值的比较，我们便可对任何时刻电路的状态情况分进行评估。 因此，通过对电路元器件参数和工作温度对电路输出的影响的分析，我们设定，当输出电压平均值偏离理想输出电压0.5V，也就是理想和电压的10%，或者输出纹波电压大于1V时，电路性能不再能满足负载要求，即认为电路发生故障。 在本buck电路中，通过仿真输出电压稳态波形分析可知，正常工作时输出平均电压为5.1378V，纹波值为0.7V，由此进一步分析。 做出第一组特征性能参数预测结果如表4.1所示，即LS-SVM算法中核函数选择线性（lin）核函数，并且gam=100时的结果。 表4.1 特征性能参数预测结果（lin核函数，gam=100） 时刻点/h 平均电压 实际值/v 预测值/v 相对误差(%) 纹波电压 实际值/v 预测值/v 相对误差(%) 7 5.118 5.1206 0.0508 0.858 0.8456 0.3963 8 5.112 5.1158 0.0743 0.889 0.8723 1.8673 9 5.106 5.1096 0.0705 0.905 0.9003 0.5193 10 5.100 5.1025 0.0490 0.928 0.9233 0.5064 从表4.1中预测值可知，对该buck电路未来四个时刻点（7、8、9、10）的输出平均电压偏离正常值的范围都在0.5V（10%）之内，纹波电压的变化也都在1V之内，因此，我们可以简单的判断，该buck电路在未来四个小时之内没有发生故障，而这也正与我们分析该电路未来四个小时的平均电压和纹波电压的实际值得出的结论一致。 4.3 核函数参数寻优 我们知道，表4.1中表示的是当LS-SVM算法中选取线性（lin）核函数，并且核函数参数gam=100时的预测结果，虽然对电路的故障预测情况表现良好，但却存在不可估计的相对误差。因此，根据图7、8、9、10，我们再次做出预测结果进行比对。如表4.2所示。 表4.2 不同核函数及核函数参数预测结果对比 核函数 核函数参数 平均电压 平均相对误差（%） 纹波电压 平均相对误差（%） lin核函数 gam=100 0.0611 0.8223 RBF核函数 RBF核函数 gam=100，sig2=10 0.0591 1.2188 gam=1000，sig2=50 0.0518 0.5435 由此我们看出，LS-SVM用于buck电路的回归预测虽然取得了较好的效果，但LS-SVM算法中不同的核函数选择及不同的参数匹配也在一定程度上影响了预测的结果，造成不同的相对误差。因此，为了获得最佳的预测结果，进一步进行核函数参数寻优。通常来说，有三种方法搜索到最优参数，分别是遗传算法、混沌优化算法、网格搜索法。在此我们利用网格搜索法，从而找到核函数最优参数结果。 网格搜索（grid-search）是指按照给定步长，通过设定参数的范围及相应的搜索步长，搜索某一矩形范围内所有的参数组合，从而得到所需核函数最优参数设置。由此我们利用LS-SVMlab工具包中的tunelssvm函数进行参数寻优。 在对lin核函数参数寻优时设定gam寻优范围为0.01-100，在对RBF核函数参数寻优时设定gam寻优范围为10-100000，sig2寻优范围为0.01-100，得到最终寻优结果和预测曲线如下图4.7-4.10所示： （1） 线性（lin）核函数参数寻优结果 Obtained hyper-parameters: [gamma]: 56.6352 图4.7 对平均电压的lin核函数参数寻优结果和预测结果 Obtained hyper-parameters: [gamma]: 40.266 图4.8 对纹波电压的lin核函数参数寻优结果和预测结果 （2）径向基（RBF）核函数参数寻优结果 Obtained hyper-parameters: [gamma sig2]: 57275.8641 14.1447691 图4.9 对平均电压的RBF核函数参数寻优结果和预测结果 Obtained hyper-parameters: [gamma sig2]: 13.027 45.5207 图4.10 对纹波电压的RBF核函数参数寻优结果和预测结果 由此，我们已经分别得到平均电压和纹波电压预测的相应的核函数最优参数，并根据最优参数进一步进行了LS-SVM故障预测，根据预测结果分析计算得出最终平均相对误差情况如下 ： 表4.3 核函数最优参数下特征性能参数预测结果 平均电压 平均相对误差（%） 纹波电压 平均相对误差（%） 线性（lin）核函数 0.0525 0.4112 径向基（RBF）核函数 0.0228 0.2281 由此我们看出，经过参数寻优之后得到的预测结果与通过之前人为设定的参数得到的预测结果相比，平均电压和纹波电压的平均相对误差大大降低，得到了更佳的故障预测结果。 4.4 本章小结 在前三章的基础上，本章主要阐述了通过编写程序在matlab 6.5环境中运行后得出的对电力电子电路的故障预测结果及对其数据结果相应的分析，并且进一步进行核函数参数寻优，得到最终预测结果。 5．结论与展望 综合以上四章所述，本文主要讲述了采用最小二乘支持向量机预测算法对电力电子电路进行故障预测的办法，并分析了最小二乘支持向量机的原理和特点，LS-SVM故障预测算法，以及核函数参数寻优等方面的问题。通过本文的研究，我们得出以下主要结论： (1) 电力电子电路的故障预测是电力电子设备中一个最重要的部分，及时完成电路的故障预测可以实现早期预报，防止事故发生，方便检修，提高设备利用率等多方面的优点。 (2) 通过选取算法中核函数的最优参数，利用最小二乘支持向量机这一算法可以基本准确的预测电力电子电路的故障发生情况。 (3) LS-SVM的性能主要依赖于模型的参数，模型参数的选择主要有遗传算法，混沌优化算法和网格搜索法，本文选用网格搜索法得到最优参数结果，经验证后的预测结果相对误差较小，达到了预期的效果。 (4) 支持向量机作为一种新兴的机器学习方法，具有精度高、速度快、自适应能力强、不受高维维数限制等优点，越来越受到各个研究领域的关注。而最小二乘支持向量机在理论上的突出优势，会促进它在各个领域的应用研究，其中在工业控制中的应用最值得特别重视和加强，若把最小二乘支持向量机的优势在工业控制中体现出来，如过程控制、优化、预测和诊断等具体过程，将会对整个工业控制的水平提高产生很好的效果。 参考文献 ［1］ LALL P，HANDE M，BHAT C，et al． Prognostics health monitoring( PHM) for prior-damage assessment in electronics equipment under thermo-mechanical loads［C］//Proceedings of Electronic Components and Technology Conference，May 29 － June1，2007，New York，USA． 2007: 1097 － 1111． ［2］ MA Zhangshan． A new life system approach to the prognostic and health management( PHM) with survival analysis，dynamic hybrid fault models，evolutionary game theory，and three-layer survivability analysis［C］/ /Proceedings of IEEE Aerospace Conference，March 7 － 14，2009，Big Sky，Montana，USA． 2009: 1 － 20． ［3］ ORSAGH R，BROWN D，ROEMER M． Prognostic health management for avionics system power supplies［C］/ /Proceedings of IEEE Aerospace Conference，March 5 － 12，2005，Big Sky，Montana，USA． 2005: 3585 － 3591． ［4］ 吕克洪，邱静，刘冠军． 基于动态损伤及优化AR 模型的电子器件寿命预测方法研究［J］． 兵工学报，2009，30 ( 1 ) : 91－ 95． ［5］ 邹心遥，姚若河． 基于BP 神经网络的电子元器件寿命预测［J］． 微电子学与计算机，2009，26( 1) : 52 － 54． ［6］ 江田汗，束炯． 基于LS-SVM 的混沌时间序列的多步预测［J］． 控制与决策，2006，21( 1) : 77 － 80． ［7］ AMARAL A，CARDOSO A． Use of ESR to predict failure of output filtering capacitors in boost converters［C］/ /Proceedings of IEEE International Symposium on Industrial Electronics，May 4 －7，2004，New York，USA． IEEE，2004: 1309 － 1314 . [8] 姜媛媛，王友仁，崔江，孙凤艳.基于LS-SVM电力电子电路故障预测方法[J].电机与控制学报，2011,15（8）：64—68. [9] 阎威武， 邵惠鹤，支持向量机和最小二乘支持向量机的比较及应用研究[J]，控制与决策，2003,5（3），357-360. [10] LENNART Harnefors，HANS Peter Nee，SHARMA C． Modelbased current control of AC machines using the internal model control method［J］． IEEE Transactions on Industry Applications，1998，34( 1) : 133 － 140． 致谢 历时近三个月的毕业设计已经告一段落，经过自身的努力以及老师的耐心指导和热情帮助，本设计内容已经基本完成。首先，我要感谢这段时间以来，父母和朋友对我不断的支持和鼓励，感谢我的母校-陕西理工学院给我们提供这么良好的学习和锻炼机会，感谢电气工程学院给我们提供环境良好的实验条件和实验器材，并且，感谢我的指导老师—侯波老师在设计过程中一直给我不耐其烦的讲解和指导，最后，感谢和我同处实验室的同学们，在整个毕业设计过程中，我们都能积极的探讨问题，相互帮助，最终完成设计内容，并促进我们共同进步。 通过这次毕业设计，使我深刻的认识到学好专业知识的重要性，也理解了理论联系实际的含义，这次毕业设计使我对Pspice软件，MATLAB软件、Mathtype软件和最小二乘支持向量机有了更加深刻的了解和掌握，并且检验了大学四年的学习成果，虽然在这次设计中对于知识的运用和衔接还不够熟练，但是我将在以后的工作和学习中继续努力，不断完善，这三个月的设计是对过去所学知识的系统提高和扩充的过程为今后的发展打下了良好的基础。由于自身水平有限，设计中还存在很多不足之处，请各位老师批评指正。 外文文献翻译 Short Term Chaotic Time Series Prediction using Symmetric LS-SVM Regression Abstract—In this article, we illustrate the effect of imposing symmetry as prior knowledge into the modelling stage, within the context of chaotic time series predictions. It is illustrated that using Least-Squares Support Vector Machines with symmetry constraints improves the simulation performance, for the cases of time series generated from the Lorenz attractor, and multi-scroll attractors. Not only accurate forecasts are obtained, but also the forecast horizon for which these predictions are obtained is expanded. 1. Introduction In applied nonlinear time series analysis, the estimation of a nonlinear black-box model in order to produce accurate forecasts starting from a set of observations is common practice. Usually a time series model is estimated based on available data up to time t, and its final assessment is based on the simulation performance from t + 1 onwards. Due to the nature of time series generated by chaotic systems, where the series not only shows nonlinear behavior but also drastic regime changes due to local instability of attractors, this is a very challenging task. For this reason, chaotic time series have been used as benchmark in several time series competitions. The modelling of chaotic time series can be improved by exploiting some of its properties. If the true underlying system is symmetric, this information can be imposed to the model as prior knowledge , in which case it is possible to obtain better forecasts than those obtained with a general model . In this article, short term predictions for chaotic time series are generated using Least-Squares Support Vector Machines (LS-SVM) regression. We show that LS-SVM with symmetry constraints can produce accurate predictions. Not only accurate forecasts are obtained, but also the forecast horizon for which these predictions are obtained is expanded, when compared with the unconstrained LS-SVM formulation. This paper is structured as follows. Section 2 describes the LS-SVM technique for regression, and how symmetry can be imposed in a straightforward way.Section 3 describes the applications for the cases of the x−coordinate of the Lorenz attractor, and the data generated by a nonlinear transformation of multi-scroll attractors. 2. LS-SVM with Symmetry Constraints Least-Squares Support Vector Machines (LS-SVM) is a powerful nonlinear black-box regression method,which builds a linear model in the so-called feature space where the inputs have been transformed by means of a (possibly infinite dimensional) nonlinear mapping . This is converted to the dual space by means of the Mercer’s theorem and the use of a positive definite kernel, without computing explicitly the mapping. The LS-SVM formulation, solves a linear system in dual space under a least-squares cost function , where the sparseness property can be obtained by e.g. sequentially pruning the support value spectrum or via a fixed-size subset selection approach. The LS-SVM training procedure involves the selection of a kernel parameter and the regularization parameter of the cost function, which can be done e.g. by cross-validation, Bayesian techniques or others. The inclusion of a symmetry constraint (odd or even) to the nonlinearity within the LS-SVM regression framework can be formulated as follows . Given the sample of N points , with input vectors and output values , the goal is to estimate a model of the form is the mapping to a high dimensional (and possibly infinite dimensional) feature space, and the residuals e are assumed to be i.i.d. with zero mean and constant (and finite) variance. The following optimization problem with a regularized cost function is formulated: where a is a given constant which can take either -1 or 1. The first restriction is the standard model formulation in the LS-SVM framework. The second restriction is a shorthand for the cases where we want to impose the nonlinear function to be even (resp. odd) by using a = 1 (resp. a = −1). The solution is formalized in the KKT lemma. 3. Application to Chaotic Time Series In this section, the effects of imposing symmetry to the LS-SVM are presented for two cases of chaotic time series. On each example, an RBF kernel is used and the parameters and are found by 10-fold cross validation over the corresponding training sample. The results using the standard LS-SVM are compared to those obtained with the symmetry-constrained LS-SVM (S-LS-SVM) from (2). The examples are defined in such a way that there are not enough training datapoints on every region of the relevant space; thus, it is very difficult for a black-box model to ”learn” the symmetry just by using the available information. The examples are compared in terms of the performance in the training sample (cross-validation mean squared error, MSE-CV) and the generalization performance (MSE out of sample, MSE-OUT). For each case, a Nonlinear AutoRegressive (NAR) black-box model is formulated: where g is to be identified by LS-SVM and S-LS-SVM. The order p is selected during the cross-validation process as an extra parameter. After each model is estimated, they are used in simulation mode, where the future predictions are computed with the estimated model using past predictions: 3.1. Lorenz attractor This example is taken from [1]. The x−coordinate of the Lorenz attractor is used as an example of a time series generated by a dynamical system. A sample of 1000 datapoints is used for training, which corresponds to an unbalanced sample over the evolution of the system, shown on Figure 1 as a time-delay embedding.Figure 2 (top) shows the training sequence (thick line) and the future evolution of the series (test zone). Figure 2 (bottom) shows the simulations obtained from both models on the test zone. Results are presented on Table 1. Clearly the S-LS-SVM can simulate the system for the next 500 timesteps, far beyond the 100 points that can be simulated by the LS-SVM. 3.2. Multi-scroll attractors This dataset was used for the K.U.Leuven Time Series Prediction Competition . The series was generated by where h is the multi-scroll equation, x is the 3-dimensional coordinate vector, and W,V are the interconnection matrices of the nonlinear function (a 3-units multilayer perceptron, MLP). This MLP function hides the underlying structure of the attractor .A training set of 2,000 points was available for model estimation, shown on Figure 3, and the goal was to predict the next 200 points out of sample. The winner of the competition followed a complete methodology involving local modelling, specialized many-steps ahead cross-validation parameters tuning, and the exploitation of the symmetry properties of the series (which he did by flipping the series around the time axis). Following the winner approach, both LS-SVM and S-LS-SVM are trained using 10-step-ahead cross-validation for hyperparameters selection. To illustrate the difference between both models, the out of sample MSE is computed considering only the first n simulation points, where n = 20, 50, 100, 200. It is important to emphasize that both models are trained using exactly the same methodology for order and hyperparameter selection; the only difference is the symmetry constraint for the S-LS-SVM case. Results are reported on Table 2. The simulations from both models are shown on Figure 4. Figure 1: The training (left) and test (right) series from the x−coordinate of the Lorenz attractor Figure 2: (Top) The series from the x−coordinate of the Lorenz attractor, part of which is used for training (thick line). (Bottom) Simulations with LS-SVM (dashed line), S-LS-SVM (thick line) compared to the actual values (thin line). Figure 3: The training sample (thick line) and future evolution (thin line) of the series from the K.U.Leuven Time Series Competition Figure 4: Simulations with LS-SVM (dashed line), S-LSSVM (thick line) compared to the actual values (thin line) for the next 200 points of the K.U.Leuven data. Table 1: Performance of LS-SVM and S-LS-SVM on the Lorenz data. Table 2: Performance of LS-SVM and S-LS-SVM on the K.U.Leuven data. 4. Conclusions For the task of chaotic time series prediction, we have illustrated how to use LS-SVM regression with symmetry constraints to improve the simulation performance for the cases of series generated by Lorenz attractor and multi-scroll attractors. By adding symmetry constraints to the LS-SVM formulation, it is possible to embed the information about symmetry into the kernel level. This translates not only in better predictions for a given time horizon, but also on a larger forecast horizon in which the model can track the time series into the future. 基于最小二乘支持向量回归的短期混沌时间序列预测 摘要：本文解释了在混沌序列预测范围内，先验知识到模型阶段任意使用对称性的作用效果。以洛伦兹吸引器和多涡卷吸引子为例，表明了使用具有对称约束的最小二乘支持向量机能够提高仿真性能，其不仅能够获得的预测结果精确，而且所获得的预测范围能够得到扩展。 1.介绍 应用非线性时间序列分析，对一个非线性的黑箱模型的预测，要得到准确的预测，从一开始的一系列观测是比较常见的做法。通常一个时间序列模型是根据可用的时间t数据预测，他的最后评估时基于t+1时刻起的仿真性能。由于时间序列的本质产生于混沌系统，那里的时间序列不仅显示非线性行为而且激烈的范围变化引起了吸引子的局部不稳定，这是一个非常具有挑战性的任务。因此，混沌时间序列已经在几次时间序列的竞争中被看做基准。 混沌时间序列的模型可以利用它的一些属性来改善。如果真正的底层系统是对称的，那么这个信息可以强加到模型中作为先验知识。在这篇文章中，短期预测混沌时间序列是利用最小二乘支持向量机（LS-SVM）的回归来产生。我们的分析表明，与无约束的最小二乘支持向量机算法相比，利用对称约束的最小二乘支持向量机可以产生精确的预测结果：不仅得到了精确的预测结果，而且这些预测的预测界限还得到了扩展。 这篇文章的摘要组织如下。第二部分描述了最小二乘支持向量回归的技术，以及对称可以以一种简便的方法实行。第三部分描述了以x坐标下的洛伦兹吸引器为例的应用，以及多轴吸引子的非线性转变所产生的数据。 2.利用对称约束的最小二乘支持向量机 最小二乘支持向量机（LS-SVM）是一个强大的非线性黑箱模型的回归方法，它在所谓的输入是一系列非线性映射的特征空间（可能是无限的空间）里，构建了一个线性模型。利用mercer定理和使用正定内核转变在二维空间进行分析，并不用计算明确的映射。最小二乘支持向量机解决了二维空间下线性系统的最小二乘成本函数，稀疏属性可以连续地修剪保价频谱，或者通过一个固定大小的子集选取来接近。最小二乘支持向量机训练的过程涉及到核函数参数的选取和定向聚合价值函数的参数选择，可以用交叉验证，贝叶斯方法或者其他方法来实现。包括对称约束（奇数或偶数）内的非线性特征，可以利用最小二乘支持向量机回归框架来制定如下： 给出N个实例点 ，输入向量 和输出向量 ，目标是来预测如下的模型: 是映射到一个高维空间（并可能无限维）的特征空间，和其余额e，被认为是i.i.d与灵均值和方差常数。用正规化函数的制定来解决以下优化问题： a是一个给定的常数，可以取1或者-1，第一个限制是最小二乘支持向量机框架中的标准模型框架，第二个限制是我们希望对非线性函数变换 成为偶数（或者奇数）利用a的取值为1（奇数为-1）。在KKT定理中引出这个正式的解决方案。 3.混沌时间序列的应用 在这部分中，最小二乘支持向量机的对称约束的影响通过两个混沌时间序列的例子来表示。在每个例子中，使用径向基核函数，径向基核函数参数 和 在相应的训练样本中进行十倍的交叉验证选取。利用最小二乘支持向量机的标准进行了结果对比，与那些获得对称的最小二乘支持向量机（S-LS-SVM）进行对比。实例以这样一种方式定义，在相对空间的每一个范围里没有得到足够的训练，因此，对一个黑箱模型来说，只用过可用的信息来学习对称是一件特别困难的事。这些示例在训练样本中利用性能来对比（交叉验证表示性能错误，MSE-CV）和普遍性能（MSE-OUT）。在每个例子中，一个非线性自回归（NAR）黑箱模型这样设定： g用来鉴别S-LS-SVM和LS-SVM。p命令在交叉验证时被选作是额外的参数。在每个模型都被预测之后，它们被用于模拟模式，那里的未来预测利用过去的预测来计算： 3.1洛伦兹吸引子 这个例子是取自（1），洛伦兹吸引子的x坐标被用作由一个动力系统产生的时间序列的实例，一个样本的1000个数据点被用来训练，而相应的在系统的演变中变成不平衡的实例，图1中表示的是时滞嵌入时的情形，图2（上）表示的是训练序列（粗线）和未来序列的演变（测试区）。图2（下）表示的是在测试区从所有模型上得到的预测结果。显然，S-LS-SVM可以模拟系统在接下来的500个时间步的情形，远远超出LS-SVM可以预测的100步。 3.2 多涡卷吸引子 这里的数据设置被用作K.U.Leuven时间序列预测竞争。序列由以下产生： h是多轴方程式，x是三维坐标向量，W,V是非线性函数的相互联系的模型（MLP），这个MLP函数隐藏了吸引子的根本结构。一个2000步的训练对预测模型来说是可用的，如图3所示，目标是预测在所举例子之外的200步，竞争中的优胜者包括局部建模的完整的方法论，专业的之前许多步的交叉验证参数寻优，和序列中的对称特性（通过在时间轴上翻转序列）。 以下竞争中优胜者的方法，LS-SVM和S-LS-SVM都是用10步交叉验证参数选择。为了显示模型中间的不同，从样本MSE是只考虑第一次仿真中的n个点，其中n=20,50,100,200。强调这些模型都是用确切相同的方法进行训练，不论是对秩序还是参数选择。唯一不同的是对S-LS-SVM的对称约束，结果如表2所示。所有模型的仿真结果在图4中表示。 图1 洛伦兹吸引子的x坐标的训练（左）和测试（右）结果 图2 上：洛伦兹吸引子的x坐标的序列，一部分被用于训练（粗线） 下：利用LS-SVM的仿真结果（虚线），S-LS-SVM（粗线）与实际值（细线）相对比 图3 在K.U.Leuven时间序列竞争中训练样本（粗线）和将来序列的变化（细线） 图4 对K.U.Leuven数据将来的200步的LS-SVM的仿真结果（虚线）， S-LS-SVM（粗线）与实际值（细线）的比较 表1 在lorenz数据中LS-SVM和S-LS-SVM的性能比较 表2 对K.U.Leuven数据的LS-SVM和S-LS-SVM的不同的表现分析 4.结论 对于混沌时间序列预测的任务，我们举例说明了对于由洛伦兹吸引子和多涡卷吸引子产生的序列，应该如何利用最小二乘支持向量机回归对称约束来提高仿真效果。把对称约束加到LS-SVM公式中后，在内核级别中嵌入对称信息成为可能。这不但意味着在一个给定时间区域里的预测结果会更加良好，而且从长远来看，模型可以实现在未来跟踪时间序列。 毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作 者 签 名：　　 　 　　日　 期：　　 　 　　 ​​​​​​​​​​​​ 指导教师签名：　　 　 　　 日　　期：　　 　 　　 使用授权说明 本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：　　 　 　　 日　 期：　　 　 　　 ​​​​​​​​​​​​ 学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权　　 　 　大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名： 日期： 年 月 日 导师签名： 日期： 年 月 日 指导教师评阅书 指导教师评价： 一、撰写（设计）过程 1、学生在论文（设计）过程中的治学态度、工作精神 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、学生掌握专业知识、技能的扎实程度 □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、学生综合运用所学知识和专业技能分析和解决问题的能力 □ 优 □ 良 □ 中 □ 及格 □ 不及格 4、研究方法的科学性；技术线路的可行性； 设计方案 关于薪酬设计方案通用技术作品设计方案停车场设计方案多媒体教室设计方案农贸市场设计方案 的合理性 □ 优 □ 良 □ 中 □ 及格 □ 不及格 5、完成毕业论文（设计）期间的出勤情况 □ 优 □ 良 □ 中 □ 及格 □ 不及格 二、论文（设计）质量 1、论文（设计）的整体结构是否符合撰写规范？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、是否完成指定的论文（设计）任务（包括装订及附件）？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 三、论文（设计）水平 1、论文（设计）的理论意义或对解决实际问题的指导意义 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、论文的观念是否有新意？设计是否有创意？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、论文（设计说明书）所体现的整体水平 □ 优 □ 良 □ 中 □ 及格 □ 不及格 建议成绩：□ 优 □ 良 □ 中 □ 及格 □ 不及格 （在所选等级前的□内画“√”） 指导教师： （签名） 单位： （盖章） 年 月 日 评阅教师评阅书 评阅教师评价： 一、论文（设计）质量 1、论文（设计）的整体结构是否符合撰写规范？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、是否完成指定的论文（设计）任务（包括装订及附件）？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 二、论文（设计）水平 1、论文（设计）的理论意义或对解决实际问题的指导意义 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、论文的观念是否有新意？设计是否有创意？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、论文（设计说明书）所体现的整体水平 □ 优 □ 良 □ 中 □ 及格 □ 不及格 建议成绩：□ 优 □ 良 □ 中 □ 及格 □ 不及格 （在所选等级前的□内画“√”） 评阅教师： （签名） 单位： （盖章） 年 月 日 教研室（或答辩小组）及教学系意见 教研室（或答辩小组）评价： 一、答辩过程 1、毕业论文（设计）的基本要点和见解的叙述情况 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、对答辩问题的反应、理解、表达情况 □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、学生答辩过程中的精神状态 □ 优 □ 良 □ 中 □ 及格 □ 不及格 二、论文（设计）质量 1、论文（设计）的整体结构是否符合撰写规范？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、是否完成指定的论文（设计）任务（包括装订及附件）？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 三、论文（设计）水平 1、论文（设计）的理论意义或对解决实际问题的指导意义 □ 优 □ 良 □ 中 □ 及格 □ 不及格 2、论文的观念是否有新意？设计是否有创意？ □ 优 □ 良 □ 中 □ 及格 □ 不及格 3、论文（设计说明书）所体现的整体水平 □ 优 □ 良 □ 中 □ 及格 □ 不及格 评定成绩：□ 优 □ 良 □ 中 □ 及格 □ 不及格 （在所选等级前的□内画“√”） 教研室主任（或答辩小组组长）： （签名） 年 月 日 教学系意见： 系主任： （签名） 年 月 日 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下进行的研究工作所取得的成果。尽我所知，除文中已经特别注明引用的内容和致谢的地方外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式注明并表示感谢。本人完全意识到本声明的法律结果由本人承担。 学位论文作者（本人签名）： 年 月 日 学位论文出版授权书 本人及导师完全同意《中国博士学位论文全文数据库出版章程》、《中国优秀硕士学位论文全文数据库出版章程》(以下简称“章程”)，愿意将本人的学位论文提交“中国学术期刊（光盘版）电子杂志社”在《中国博士学位论文全文数据库》、《中国优秀硕士学位论文全文数据库》中全文发表和以电子、网络形式公开出版，并同意编入CNKI《中国知识资源总库》，在《中国博硕士学位论文评价数据库》中使用和在互联网上传播，同意按“章程”规定享受相关权益。 论文密级： □公开 □保密（___年__月至__年__月）(保密的学位论文在解密后应遵守此协议) 作者签名：_______ 导师签名：_______ _______年_____月_____日 _______年_____月_____日 独 创 声 明 本人郑重声明：所呈交的毕业设计(论文)，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议。尽我所知，除文中已经注明引用的内容外，本设计（论文）不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。 本声明的法律后果由本人承担。   作者签名: 二〇一〇年九月二十日   毕业设计（论文）使用授权声明 本人完全了解滨州学院关于收集、保存、使用毕业设计（论文）的规定。 本人愿意按照学校要求提交学位论文的印刷本和电子版，同意学校保存学位论文的印刷本和电子版，或采用影印、数字化或其它复制手段保存设计（论文）；同意学校在不以营利为目的的前提下，建立目录检索与阅览服务系统，公布设计（论文）的部分或全部内容，允许他人依法合理使用。 （保密论文在解密后遵守此规定）   作者签名: 二〇一〇年九月二十日 致 谢 时间飞逝，大学的学习生活很快就要过去，在这四年的学习生活中，收获了很多，而这些成绩的取得是和一直关心帮助我的人分不开的。 首先非常感谢学校开设这个课题，为本人日后从事计算机方面的工作提供了经验，奠定了基础。本次毕业设计大概持续了半年，现在终于到结尾了。本次毕业设计是对我大学四年学习下来最好的检验。经过这次毕业设计，我的能力有了很大的提高，比如操作能力、分析问题的能力、合作精神、严谨的工作作风等方方面面都有很大的进步。这期间凝聚了很多人的心血，在此我表示由衷的感谢。没有他们的帮助，我将无法顺利完成这次设计。 首先，我要特别感谢我的知道郭谦功老师对我的悉心指导，在我的论文书写及设计过程中给了我大量的帮助和指导，为我理清了设计思路和操作方法，并对我所做的课题提出了有效的改进方案。郭谦功老师渊博的知识、严谨的作风和诲人不倦的态度给我留下了深刻的印象。从他身上，我学到了许多能受益终生的东西。再次对周巍老师表示衷心的感谢。 其次，我要感谢大学四年中所有的任课老师和辅导员在学习期间对我的严格要求，感谢他们对我学习上和生活上的帮助，使我了解了许多专业知识和为人的道理，能够在今后的生活道路上有继续奋斗的力量。 另外，我还要感谢大学四年和我一起走过的同学朋友对我的关心与支持，与他们一起学习、生活，让我在大学期间生活的很充实，给我留下了很多难忘的回忆。 最后，我要感谢我的父母对我的关系和理解，如果没有他们在我的学习生涯中的无私奉献和默默支持，我将无法顺利完成今天的学业。 四年的大学生活就快走入尾声，我们的校园生活就要划上句号，心中是无尽的难舍与眷恋。从这里走出，对我的人生来说，将是踏上一个新的征程，要把所学的知识应用到实际工作中去。 回首四年，取得了些许成绩，生活中有快乐也有艰辛。感谢老师四年来对我孜孜不倦的教诲，对我成长的关心和爱护。 学友情深，情同兄妹。四年的风风雨雨，我们一同走过，充满着关爱，给我留下了值得珍藏的最美好的记忆。 在我的十几年求学历程里，离不开父母的鼓励和支持，是他们辛勤的劳作，无私的付出，为我创造良好的学习条件，我才能顺利完成完成学业，感激他们一直以来对我的抚养与培育。 最后，我要特别感谢我的导师***老师、和研究生助教***老师。是他们在我毕业的最后关头给了我们巨大的帮助与鼓励，给了我很多解决问题的思路，在此表示衷心的感激。老师们认真负责的工作态度，严谨的治学精神和深厚的理论水平都使我收益匪浅。他无论在理论上还是在实践中，都给与我很大的帮助，使我得到不少的提高这对于我以后的工作和学习都有一种巨大的帮助，感谢他耐心的辅导。在论文的撰写过程中老师们给予我很大的帮助，帮助解决了不少的难点，使得论文能够及时完成，这里一并表示真诚的感谢。 致 谢 这次论文的完成，不止是我自己的努力，同时也有老师的指导，同学的帮助，以及那些无私奉献的前辈，正所谓你知道的越多的时候你才发现你知道的越少，通过这次论文，我想我成长了很多，不只是磨练了我的知识厚度，也使我更加确定了我今后的目标：为今后的计算机事业奋斗。在此我要感谢我的指导老师——***老师，感谢您的指导，才让我有了今天这篇论文，您不仅是我的论文导师，也是我人生的导师，谢谢您！我还要感谢我的同学，四年的相处，虽然我未必记得住每分每秒，但是我记得每一个有你们的精彩瞬间，我相信通过大学的历练，我们都已经长大，变成一个有担当，有能力的新时代青年，感谢你们的陪伴，感谢有你们，这篇论文也有你们的功劳，我想毕业不是我们的相处的结束，它是我们更好相处的开头，祝福你们！我也要感谢父母，这是他们给我的，所有的一切；感谢母校，尽管您不以我为荣，但我一直会以我是一名农大人为荣。 通过这次毕业设计，我学习了很多新知识，也对很多以前的东西有了更深的记忆与理解。漫漫求学路，过程很快乐。我要感谢信息与管理科学学院的老师，我从他们那里学到了许多珍贵的知识和做人处事的道理，以及科学严谨的学术态度，令我受益良多。同时还要感谢学院给了我一个可以认真学习，天天向上的学习环境和机会。 即将结束*大学习生活，我感谢****大学提供了一次在农大接受教育的机会，感谢院校老师的无私教导。感谢各位老师审阅我的论文。 本科生毕业设计（论文）规范化要求 第一部分 学生应遵守以下规范要求 一、毕业设计论文说明 1. 毕业设计论文独立装订成册，内容包括： （1） 封面（题目、学生姓名、指导教师姓名等） （2） 中、外文内容摘要 （3） 正文目录（含页码） （4） 正文（开始计算页码） （5） 致谢 （6） 参考文献 （7） 附录 2. 中、外文内容摘要包括：课题来源，主要设计，实验方法，本人主要完成的成果。要求不少于400汉字，并译成外文。 3. 毕业设计论文页数为45页-50页。 4. 纸张要求：毕业设计说明书（论文报告）应用标准B5纸单面打字成文。 5. 文字要求：文字通顺，语言流畅，无错别字。 6. 图纸要求：毕业设计图纸应使用计算机绘制。图纸尺寸标注应符合国家标准。图纸应按“规范”叠好。 7. 曲线图表要求：所有曲线、图表、流程图、程序框图、示意图等不得徒手画，必须按国家规定标准或工程要求绘制。 8. 参考文献、资料要求：参考文献总数论文类不少于10篇、，应有外文参考文献。文献应列出序号、作者、文章题目、期刊名、年份、出版社、出版时间等。 二、外文翻译 1. 完成不少于2万印刷符的外文翻译。译文不少于5千汉字。 2. 译文内容必须与题目（或专业内容）有关，由指导教师在下达任务书时指定。 3. 译文应于毕业设计中期2月底前完成，交指导教师批改。 4. 将原文同译文统一印成B5纸规格装订成册，原文在前，译文在后。 三、形式审查 5月15日前，将毕业设计论文上交指导教师，审查不合格者，不能参加答辩。 四、准备答辩 答辩前三天，学生要将全部材料（包括光盘、论文）统一交指导教师。 关于毕业论文格式的要求 为方便统一、规范论文格式，现将学院的相关要求做如下强调、补充： 1. 基本要求 纸型： B5纸（或16开），单面打印； 页边距： 上2.54cm，下2.54cm，左2.5cm，右2.5cm； 页眉：1.5cm，页脚1.75cm，左侧装订 正文字体：汉字和标点符号用“宋体”，英文和数字用“Times New Roman”，字号小四； 图号1-1，指第1章第1个图 在图的前部要有文字说明（如图1-1所示） 表号3-5，指第3章第5个表 在表的前部要有文字说明（如表3-5所示） 图、表的标注字体大小是五号宋体 行距： 固定值20； 页码： 居中、小五、底部。 2. 封面格式 封皮： 大连理工大学城市学院（二号、黑体、居中） 本科生毕业设计（论文）（二号、黑体、居中） 学 院：（四号、黑体、居中、下划线：电子与自动化学院） 专 业：（四号、黑体、居中、下划线、专业名字之间无空格） 学 生：（四号、黑体、居中、下划线，名字是2个字的中间空1个字、3个或3个以上字的中间无空格） 指导教师：（四号、黑体、居中、下划线，名字是2个字的中间空1个字、3个或3个以上字的中间无空格，两位指导教师的中间用顿号“、”） 完成日期：（四号、黑体、居中、下划线，如：2009年5月25日） （注意：5个下划线两端也是对齐的，单倍行距） 内 封：大连理工大学城市学院本科生毕业设计（论文）（四号、黑体） 题目 （二号、黑体、居中）； 总计 毕业设计（论文） 页（五号、宋体） 表格 表（五号、宋体） 插图 幅 （五号、宋体） （注意：页数正常不少于40页，优秀论文原则上不少于45页） 3. 中外文摘要 中文摘要：标题“摘 要” （三号、黑体、居中、中间空1个字） 正文（不少于400字） 关键词 （五号、黑体）：3-5个主题词（五号），中间用分号“；”隔开。 外文摘要 （另起一页）：标题“Abstract” （三号、黑体、居中） 正文 （必须用第三人称） 关键词： Key words（五号、黑体）：3-5个主题词（五号）与中文关键词对应，中间用分号“；”隔开。 4. 目录 标题 “目录”（三号、黑体、居中）； 章标题（四号、黑体、居左）； 节标题（小四、宋体）； 页码 （小四、宋体）； 二、三级目录分别缩近1和2个字； 四级目录不在“目录”中体现，在正文中也不是单独一行，可以黑体（没有句号），然后空2个字接正文； 注意：正文中每章开头要另起一页； “目录”下方中间的页码和摘要一样统一用罗马字，顺接摘要的。 摘要 目录加页眉 5. 论文正文 页眉： 论文题目（居中、小五、黑体）； 章标题（三号、黑体、居中）； 节标题（四号、黑体、居左）； 正文 程序用“Times New Roman”，字号小四； 6. 参考文献 标题：“参考文献”（小四、黑体、居中） 参考文献的著录，按文稿中引用顺序排列，并注意在文内相应位置用上标标注，如：……的函数。 示例如下：（字体为五号、宋体） 期刊类：[序号]作者1，作者2，……作者n。文章名。期刊名（版本），出版年，卷次（期次）。页次 图书类：[序号]作者1，作者2，……作者n。书名。版本。出版地：出版者，出版年。页次 会议论文集：[序号]作者1，作者2，……作者n。论文集名。出版地：出版者，出版年。页次 网上资料：[序号]作者1，作者2，……作者n。文章名。网址。发表时间 7. 其它 量和单位的使用：必须符合国家标准规定，不得使用已废弃的单位（如高斯(G和Gg)、亩、克分子浓度（M）、当量能度（N）等）。量和单位不用中文名称，而用法定符号表示。 图表及公式：插图宽度一般不超过10cm，表名（小四）置上居中，图名（小四）置下居中。标目中物理量的符号用斜体，单位符号用正体，坐标标值线朝里。标值的数字尽量不超过3位数，或小数点以后不多于1个“0”。如用30Km代替30000m，用5µg代替0.005mg等，并与正文一致。图和表的编号从前至后顺序排列，图的编号及说明位于图的下方，居中；表的编号及说明位于表的上方，居中。公式编号加圆括号，居行尾。图表中的字体不应大于正文字体。注意：图表标题中的数字也是“Times New Roman”。 8．论文依次包括：封皮、内封、中文摘要、英文摘要、目录、正文、结论、致谢、参考文献、（附录），不要落项。 9．注意：上面没有说“加粗”的“黑体”，均为“黑体不加粗”。 补充： 1．答辩要求：自述15分钟，回答问题10分钟，自述要求使用PPT 答辩内容: 1）.论文题目 2）.设计内容 3）.设计方案 4）.如何完成设计 工作原理 软件或硬件设计 制作\调试\安装 5）.存在不足,今后努力的方向 6).致谢 3．最后上交学生装订好的论文、光盘、记录表、成绩单 4．光盘里的文件夹命名为：学号_姓名_年级专业班级 文件夹里包括的文件有：论文、ppt、英文翻译 1） 论文的文件名格式：学号_姓名_年级专业班号_题目（论文）_完成日期doc 2） ppt的文件名格式：学号_姓名_年级专业班号_题目（ppt）_完成日期ppt 3) 英文翻译的文件名格式：学号_姓名_年级专业班号_题目（英文翻译）_完成日期doc 例如： 答辩问题5个， 侧重总体思路一个 软件或硬件一个 翻译一个 其他2个 H H2 结束 电路故障预测 特征性能参数预测结果 LS-SVM 训练样本 特征性能参数 特征性能 参数提取 选择检测信号进行监测 开始 设置电路 进行仿真 VC维：23=8 h=3 H1 Margin=2/||W|| PAGE _1399736919.unknown _1399739565.unknown _1399985576.unknown _1400697822.unknown _1400698099.unknown _1400698286.unknown _1400847622.unknown _1400698166.unknown _1400697865.unknown _1400595163.unknown _1400597137.unknown _1400597310.unknown _1400597344.unknown _1400668756.unknown _1400597320.unknown _1400597224.unknown _1400597280.unknown _1400596816.unknown _1399985920.unknown _1399986033.unknown _1399986490.unknown _1399985595.unknown _1399741744.unknown _1399885729.unknown _1399985118.unknown _1399985438.unknown _1399985530.unknown _1399985305.unknown _1399885964.unknown _1399886000.unknown _1399886245.unknown _1399886292.unknown _1399886055.unknown _1399885986.unknown _1399885948.unknown _1399885582.unknown _1399885640.unknown _1399885675.unknown _1399885616.unknown _1399742326.unknown _1399746007.unknown _1399742134.unknown _1399741380.unknown _1399741392.unknown _1399739616.unknown _1399737037.unknown _1399737054.unknown _1399737063.unknown _1399737045.unknown _1399736959.unknown _1399736977.unknown _1399736944.unknown _1399724864.unknown _1399725548.unknown _1399728803.unknown _1399728937.unknown _1399729573.unknown _1399736906.unknown _1399730051.unknown _1399728942.unknown _1399728823.unknown _1399726097.unknown _1399726219.unknown _1399726522.unknown _1399725984.unknown _1399725172.unknown _1399725504.unknown _1399725524.unknown _1399725380.unknown _1399724983.unknown _1399725053.unknown _1399724893.unknown _1399723120.unknown _1399724370.unknown _1399724630.unknown _1399724641.unknown _1399724461.unknown _1399724280.unknown _1399724307.unknown _1399724242.unknown _1399722363.unknown _1399722886.unknown _1399722982.unknown _1399722455.unknown _1399721938.unknown _1399722076.unknown _1399721904.unknown