| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 轨道系统监测及预测方法研究现状 | 第13-22页 |
| 1.2.1 轨道系统长期监测方法研究现状 | 第13-16页 |
| 1.2.2 轨道及其他基础设施监测数据分析方法研究现状 | 第16-18页 |
| 1.2.3 轨道及其他基础设施预测方法研究现状 | 第18-22页 |
| 1.3 本文研究重点 | 第22-24页 |
| 2 数据来源优化研究 | 第24-40页 |
| 2.1 高架站轨道系统监测分析指标 | 第24-25页 |
| 2.2 传感器选型与优化 | 第25-36页 |
| 2.2.1 应变传感器选型优化 | 第25-34页 |
| 2.2.2 位移传感器选型优化 | 第34-36页 |
| 2.3 传感器性能测试 | 第36-38页 |
| 2.4 本章小结 | 第38-40页 |
| 3 监测数据质量分析及相关性分析 | 第40-74页 |
| 3.1 数据可信性验证 | 第40-42页 |
| 3.2 数据基本特征 | 第42-50页 |
| 3.2.1 分布特征分析 | 第43-46页 |
| 3.2.2 周期性分析 | 第46-50页 |
| 3.3 监测数据质量判别及故障分析 | 第50-57页 |
| 3.3.1 数据缺失和冗余判别 | 第50-52页 |
| 3.3.2 数据异常判别 | 第52-55页 |
| 3.3.3 基于数据的系统故障识别 | 第55-57页 |
| 3.4 轨道系统监测数据预处理 | 第57-63页 |
| 3.4.1 异常值处理 | 第57-59页 |
| 3.4.2 短期数据缺失处理 | 第59-63页 |
| 3.5 相关性分析 | 第63-73页 |
| 3.5.1 单因素影响下线性相关性分析 | 第63-68页 |
| 3.5.2 考虑时间序列的相关性分析 | 第68-73页 |
| 3.6 本章小结 | 第73-74页 |
| 4 监测数据预测方法研究 | 第74-104页 |
| 4.1 回归预测模型 | 第75-81页 |
| 4.1.1 单自变量回归预测模型 | 第75-79页 |
| 4.1.2 时间序列多元回归预测模型 | 第79-81页 |
| 4.2 BP神经网络预测模型 | 第81-89页 |
| 4.2.1 预测模型关键参数确定 | 第83-86页 |
| 4.2.2 训练及预测结果 | 第86-89页 |
| 4.3 径向基神经网络预测模型 | 第89-93页 |
| 4.4 极端天气预测模型验证 | 第93-100页 |
| 4.4.1 回归模型预测结果 | 第94-95页 |
| 4.4.2 BP神经网络预测结果 | 第95-97页 |
| 4.4.3 RBF神经网络预测结果 | 第97-98页 |
| 4.4.4 改变训练样本 | 第98-100页 |
| 4.5 预测模型评价 | 第100-102页 |
| 4.5.1 常规状态预测模型评价 | 第101-102页 |
| 4.5.2 极端天气条件下预测模型评价 | 第102页 |
| 4.6 本章小结 | 第102-104页 |
| 5 报警、预警及其可视化 | 第104-112页 |
| 5.1 报警机制 | 第104-109页 |
| 5.1.1 静态阈值 | 第104-105页 |
| 5.1.2 基于距离的异常状态识别 | 第105-106页 |
| 5.1.3 基于聚类的异常状态识别 | 第106-109页 |
| 5.2 计算机预警报警方法 | 第109-112页 |
| 5.2.1 预测模型自变量获取 | 第109-110页 |
| 5.2.2 预警报警的计算机实现 | 第110-112页 |
| 6 结论与展望 | 第112-115页 |
| 6.1 结论 | 第112-113页 |
| 6.2 展望 | 第113-115页 |
| 参考文献 | 第115-120页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第120-123页 |
| 学位论文数据集 | 第123页 |