| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 故障诊断技术 | 第10-11页 |
| 1.2.2 神经网络 | 第11页 |
| 1.2.3 样条插值 | 第11-12页 |
| 1.2.4 专家系统 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-23页 |
| 2.1 人工神经网络 | 第16-18页 |
| 2.2 基于神经网络的故障诊断专家系统 | 第18-20页 |
| 2.2.1 故障诊断技术 | 第18页 |
| 2.2.2 传统专家系统 | 第18-19页 |
| 2.2.3 基于神经网络的故障诊断专家系统 | 第19-20页 |
| 2.3 深度置信神经网络 | 第20-22页 |
| 2.3.1 受限玻尔兹曼机 | 第20-21页 |
| 2.3.2 深度置信神经网络 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 铁路道岔故障机理 | 第23-28页 |
| 3.1 道岔基础概述 | 第23页 |
| 3.2 道岔动作电流曲线的分析 | 第23-27页 |
| 3.3 小结 | 第27-28页 |
| 第四章 基于深度置信网络的道岔故障诊断模型 | 第28-48页 |
| 4.1 基于样条差值算法的数据整合 | 第28-30页 |
| 4.1.1 问题的提出 | 第28-29页 |
| 4.1.2 样条插值 | 第29-30页 |
| 4.2 基于深度置信网络的道岔故障诊断模型 | 第30-42页 |
| 4.2.1 DBN模型的训练过程 | 第30-33页 |
| 4.2.1.1 RBM简述 | 第31页 |
| 4.2.1.2 RBM训练过程 | 第31-32页 |
| 4.2.1.3 DBN训练过程 | 第32-33页 |
| 4.2.2 顶层分类器的选择 | 第33-37页 |
| 4.2.2.1 BP神经网络 | 第33-34页 |
| 4.2.2.2 支持向量机 | 第34-36页 |
| 4.2.2.3 径向基函数神经网络 | 第36页 |
| 4.2.2.4 精度对比 | 第36-37页 |
| 4.2.3 以代价敏感RBFNN为顶层分类器的DBN | 第37-42页 |
| 4.2.3.1 代价敏感与适应度函数 | 第37-38页 |
| 4.2.3.2 代价敏感的RBFNN训练步骤 | 第38-39页 |
| 4.2.3.3 采用代价敏感RBF神经网络作为顶层分类器的深度置信神经网络 | 第39-40页 |
| 4.2.3.4 基于新型代价敏感深度置信网络的道岔故障诊断模型 | 第40-42页 |
| 4.3 实验仿真 | 第42-47页 |
| 4.3.1 实验环境介绍 | 第42页 |
| 4.3.2 目标维度的选取 | 第42-44页 |
| 4.3.3 DNB网络结构的确定 | 第44-45页 |
| 4.3.4 实验结果与分析 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 系统设计与实现 | 第48-58页 |
| 5.1 环境与平台 | 第48页 |
| 5.2 总体设计 | 第48-55页 |
| 5.3 系统实现 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 结论与展望 | 第58-60页 |
| 6.1 结论 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第65页 |
