| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 论文研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要工作及结构 | 第12-14页 |
| 2 基于案例推理的铁路信号设备维修决策模型 | 第14-25页 |
| 2.1 案例推理 | 第14-19页 |
| 2.1.1 案例推理概念 | 第14页 |
| 2.1.2 案例推理运行模型 | 第14-16页 |
| 2.1.3 案例推理任务划分 | 第16-18页 |
| 2.1.4 基于案例推理的总体框架 | 第18-19页 |
| 2.2 文本案例推理 | 第19-20页 |
| 2.3 基于案例推理的铁路信号设备维修决策模型 | 第20-24页 |
| 2.3.1 铁路信号设备故障案例库的构建 | 第20-22页 |
| 2.3.2 基于案例推理的铁路信号设备维修决策模型 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于卡方特征和BTM融合的案例分类方法 | 第25-37页 |
| 3.1 卡方统计 | 第25-26页 |
| 3.2 BTM | 第26-29页 |
| 3.2.1 话题模型 | 第26-27页 |
| 3.2.2 BTM模型定义 | 第27-28页 |
| 3.2.3 基于Gibbs采样算法的参数估计 | 第28-29页 |
| 3.3 基于卡方特征和BTM的案例分类方法 | 第29-32页 |
| 3.3.1 改进的卡方特征选择方法 | 第30页 |
| 3.3.2 BTM的引入 | 第30-31页 |
| 3.3.3 特征融合 | 第31-32页 |
| 3.4 实验和结果分析 | 第32-36页 |
| 3.4.1 实验数据 | 第32-33页 |
| 3.4.2 评价标准 | 第33页 |
| 3.4.3 实验结果与分析 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于多特征融合相似度的案例检索方法 | 第37-48页 |
| 4.1 基于VSM的相似度计算 | 第37-40页 |
| 4.1.1 VSM基本概念 | 第37-38页 |
| 4.1.2 特征权重计算 | 第38-39页 |
| 4.1.3 相似性度量 | 第39-40页 |
| 4.1.4 优点和局限性 | 第40页 |
| 4.2 基于HowNet的文本相似度计算 | 第40-44页 |
| 4.2.1 HowNet概述 | 第40-42页 |
| 4.2.2 基于HowNet的词语相似度计算 | 第42-43页 |
| 4.2.3 基于HowNet的文本相似度计算 | 第43-44页 |
| 4.3 基于BTM的相似度计算 | 第44-45页 |
| 4.4 多特征融合相似度计算的案例检索方法 | 第45-46页 |
| 4.5 实验与结果分析 | 第46-47页 |
| 4.5.1 实验数据及评测标准 | 第46页 |
| 4.5.2 实验结果与分析 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 5 铁路信号设备维修决策支持系统设计与实现 | 第48-57页 |
| 5.1 系统设计 | 第48-52页 |
| 5.1.1 系统设计目标 | 第48页 |
| 5.1.2 系统设计原则 | 第48-49页 |
| 5.1.3 系统总体设计 | 第49-52页 |
| 5.2 系统实现 | 第52-56页 |
| 5.2.1 开发环境 | 第52-53页 |
| 5.2.2 系统功能展示 | 第53-56页 |
| 5.3 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间的研究成果 | 第62页 |