| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 列车故障诊断研究现状 | 第10-12页 |
| 1.2.2 特征选择研究现状 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-15页 |
| 第2章 高速列车走行部故障特征提取 | 第15-21页 |
| 2.1 高速列车走行部故障诊断过程 | 第15-16页 |
| 2.2 高速列车走行部运行工况和实验数据来源 | 第16-19页 |
| 2.2.1 高速列车走行部 | 第16-17页 |
| 2.2.2 高速列车走行部四种工况 | 第17-18页 |
| 2.2.3 实验数据来源 | 第18-19页 |
| 2.3 高速列车走行部故障特征提取方法 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于PSO-RBF的高速列车走行部故障诊断 | 第21-46页 |
| 3.1 基于RBF神经网络的分类器模型 | 第21-28页 |
| 3.1.1 RBF神经网络 | 第21-23页 |
| 3.1.2 RBF神经网络参数优化方法 | 第23-24页 |
| 3.1.3 梯度下降法优化RBF神经网络 | 第24-25页 |
| 3.1.4 基于RBF神经网络的高速列车走行部故障诊断仿真实验 | 第25-28页 |
| 3.2 基于PSO算法优化RBF神经网络的分类器模型 | 第28-33页 |
| 3.2.1 PSO算法改进RBF网络参数学习方法 | 第28-29页 |
| 3.2.2 PSO算法改进梯度下降算法 | 第29-30页 |
| 3.2.3 基于PSO-RBF神经网络高速列车走行部故障诊断仿真实验 | 第30-33页 |
| 3.3 基于PSO-CLS-RBF神经网络的分类器模型 | 第33-39页 |
| 3.3.1 局部混沌搜索算法介绍 | 第34-35页 |
| 3.3.2 局部混沌搜索优化 | 第35-36页 |
| 3.3.3 基于PSO-CLS-RBFNN高速列车走行部故障诊断模型 | 第36-39页 |
| 3.4 基于BA-RBF神经网络的分类器模型 | 第39-44页 |
| 3.4.1 蝙蝠算法介绍 | 第39-42页 |
| 3.4.2 蝙蝠算法优化RBF网络故障诊断模型 | 第42-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于多传感器特征选择的故障诊断方法 | 第46-64页 |
| 4.1 特征选择 | 第46-47页 |
| 4.1.1 高维小样本的特征选择 | 第47页 |
| 4.1.2 特征选择算法分类 | 第47页 |
| 4.2 基于UFS-MI的特征选择 | 第47-50页 |
| 4.2.1 互信息 | 第48-49页 |
| 4.2.2 基于UFS-MI的特征选择 | 第49-50页 |
| 4.3 连续型随机变量的UFS-MI的特征选择 | 第50-55页 |
| 4.3.1 基于直方图的概率密度估计 | 第50-51页 |
| 4.3.2 离散化的互信息估计 | 第51-53页 |
| 4.3.3 UFS-MI特征排序 | 第53-55页 |
| 4.4 UFS-MI特征选择中最佳特征数目的确定 | 第55-61页 |
| 4.4.1 K均值聚类 | 第55-56页 |
| 4.4.2 近邻传播聚类算法 | 第56-58页 |
| 4.4.3 RBF网络初始参数确定 | 第58-59页 |
| 4.4.4 UFS-MI最优特征数目选取 | 第59-61页 |
| 4.5 基于UFS-MI和BA-RBFNN的高速列车走行部故障诊断 | 第61-63页 |
| 4.6 本章总结 | 第63-64页 |
| 结论 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
