| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 高铁数据处理关键技术研究现状 | 第13-14页 |
| 1.2.2 云计算研究现状 | 第14-15页 |
| 1.2.3 GPU研究现状 | 第15-16页 |
| 1.2.4 云计算和GPU的混合模型 | 第16-17页 |
| 1.3 本论文研究内容及章节安排 | 第17-20页 |
| 1.3.1 本论文研究内容 | 第17-18页 |
| 1.3.2 本论文章节安排 | 第18-20页 |
| 第2章 相关技术介绍 | 第20-31页 |
| 2.1 云计算技术介绍 | 第20-23页 |
| 2.1.1 Hadoop平台 | 第20页 |
| 2.1.2 MapReduce编程模型 | 第20-22页 |
| 2.1.3 HDFS分布式文件系统 | 第22-23页 |
| 2.2 GPU与CUDA平台 | 第23-30页 |
| 2.2.1 CUDA软件体系 | 第24-25页 |
| 2.2.2 CUDA硬件架构 | 第25-26页 |
| 2.2.3 CUDA存储器结构 | 第26-28页 |
| 2.2.4 CUDA编程模型 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 基于Hadoop的高铁走行部数据预处理 | 第31-45页 |
| 3.1 高铁走行部数据分析与处理 | 第31-36页 |
| 3.1.1 高铁走行部简介 | 第31-32页 |
| 3.1.2 高铁走行部数据分析 | 第32-33页 |
| 3.1.3 高铁走行部数据处理软件 | 第33-36页 |
| 3.2 高铁数据预处理方法 | 第36-37页 |
| 3.2.1 异常点处理 | 第36页 |
| 3.2.2 线性趋势项去除 | 第36-37页 |
| 3.3 基于Hadoop的高铁数据预处理方法 | 第37-39页 |
| 3.4 实验结果与分析 | 第39-44页 |
| 3.4.1 方法效果实验 | 第39-40页 |
| 3.4.2 性能效果实验 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于CUDA的高铁走行部故障诊断技术 | 第45-55页 |
| 4.1 故障诊断技术介绍 | 第45-48页 |
| 4.1.1 经验模态分解 | 第45-46页 |
| 4.1.2 信息熵 | 第46-47页 |
| 4.1.3 KNN分类算法 | 第47-48页 |
| 4.2 基于CUDA的高铁故障诊断方法设计 | 第48-50页 |
| 4.2.1 基于CUDA的IMF分量的模糊熵求解 | 第48-50页 |
| 4.2.2 基于CUDA的KNN故障分类 | 第50页 |
| 4.3 实验结果与分析 | 第50-54页 |
| 4.3.1 故障诊断效果 | 第51页 |
| 4.3.2 故障诊断效率 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 基于Hadoop和GPU混合模型的高铁走行部故障诊断技术 | 第55-69页 |
| 5.1 混合模型的提出 | 第55-58页 |
| 5.1.1 基本架构 | 第55-56页 |
| 5.1.2 作业运行过程 | 第56-57页 |
| 5.1.3 GPU与Hadoop结合的方法 | 第57-58页 |
| 5.2 基于混合模型的高铁故障诊断方法设计 | 第58-63页 |
| 5.2.1 基于混合模型的高铁故障特征提取方法设计 | 第59-60页 |
| 5.2.2 基于混合模型的高铁故障分类方法设计 | 第60-63页 |
| 5.3 实验效果与分析 | 第63-68页 |
| 5.3.1 基于混合模型的高铁故障特征提取实验结果 | 第63-66页 |
| 5.3.2 基于混合模型的故障分类实验结果 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论与展望 | 第69-71页 |
| 结论 | 第69-70页 |
| 进一步工作 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第76页 |
