| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.1.1 研究背景和意义 | 第12页 |
| 1.1.2 关键技术研究现状分析 | 第12-13页 |
| 1.2 课题来源 | 第13页 |
| 1.3 国内外研究现状 | 第13-18页 |
| 1.3.1 中文分词技术相关研究 | 第13-14页 |
| 1.3.2 特征提取相关研究 | 第14-15页 |
| 1.3.3 文本词向量表示算法研究 | 第15-16页 |
| 1.3.4 分类算法研究 | 第16-18页 |
| 1.4 论文的研究内容和目录结构 | 第18-20页 |
| 第二章 文本分类关键技术介绍 | 第20-26页 |
| 2.1 文本分类在地铁设备故障数据中的应用需求 | 第20-22页 |
| 2.1.1 地铁故障数据特点 | 第20-21页 |
| 2.1.2 地铁设备故障数据标准化 | 第21页 |
| 2.1.3 地铁设备故障预测 | 第21-22页 |
| 2.2 中文分词概述 | 第22页 |
| 2.3 文本特征提取 | 第22-24页 |
| 2.3.1 特征提取方法 | 第22-24页 |
| 2.4 文本分类流程 | 第24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 构建设备故障关键词词库 | 第26-37页 |
| 3.1 问题描述 | 第26-27页 |
| 3.1.1 故障类数据问题描述 | 第26-27页 |
| 3.1.2 设备故障类数据特征 | 第27页 |
| 3.2 故障数据关键词词典构建方法 | 第27-36页 |
| 3.2.1 故障文本数据预处理 | 第27-31页 |
| 3.2.2 故障关键词提取策略 | 第31-36页 |
| 3.3 仿真实验及分析 | 第36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于Bi-LSTM的文本多分类模型 | 第37-52页 |
| 4.1 问题描述 | 第37-38页 |
| 4.2 构建多标签训练样本 | 第38-40页 |
| 4.2.1 文本分类在故障分析中的应用 | 第38-40页 |
| 4.3 基于Bi-LSTM向量表示模型 | 第40-46页 |
| 4.3.1 文本过滤和分词 | 第40页 |
| 4.3.2 词向量初步转化 | 第40-42页 |
| 4.3.3 基于Bi-LSTM的向量表示模型 | 第42-46页 |
| 4.4 多标签分类模型构建 | 第46-50页 |
| 4.4.1 SVM多标签分类模型 | 第46-47页 |
| 4.4.2 基于DAG-SVM的改进多标签分类模型 | 第47-50页 |
| 4.5 仿真实验及分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 仿真实验与性能分析 | 第52-66页 |
| 5.1 实验方案 | 第52页 |
| 5.2 实验环境 | 第52-53页 |
| 5.3 实验参数 | 第53页 |
| 5.4 性能评估和指标 | 第53-54页 |
| 5.5 实验结果与分析 | 第54-64页 |
| 5.5.1 故障文本关键词库构建 | 第54-56页 |
| 5.5.2 基于Bi-LSTM的故障词向量表示模型 | 第56-60页 |
| 5.5.3 改进DAG-SVM文本分类模型 | 第60-64页 |
| 5.6 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读学位期间发表论文 | 第73-74页 |
| 攻读学位期间参加的科研项目 | 第74-76页 |
| 致谢 | 第76页 |