基于大数据的航天器性能退化分析方法
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 注释表 | 第12-13页 |
| 第一章 绪论 | 第13-20页 |
| ·研究背景 | 第13-16页 |
| ·退化分析方法研究现状 | 第13-14页 |
| ·退化分析方法存在的问题 | 第14-15页 |
| ·航天大数据的应用价值 | 第15-16页 |
| ·研究意义 | 第16-17页 |
| ·航天器性能退化分析的意义 | 第16-17页 |
| ·本文研究意义 | 第17页 |
| ·研究内容及组织结构 | 第17-20页 |
| 第二章 大数据的平台部署及数据准备 | 第20-35页 |
| ·大数据概述 | 第20-21页 |
| ·定义和内容 | 第20-21页 |
| ·大数据平台概述 | 第21页 |
| ·基于Hadoop的分布式实验平台 | 第21-25页 |
| ·Hadoop生态 | 第21-22页 |
| ·Hadoop实验平台部署 | 第22-25页 |
| ·航天大数据的数据准备 | 第25-34页 |
| ·遥测数据导入 | 第25-26页 |
| ·野值处理 | 第26-29页 |
| ·常用特征提取 | 第29-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于支持向量数据描述的性能退化分析方法 | 第35-53页 |
| ·相关研究 | 第35-36页 |
| ·相关工作 | 第35页 |
| ·问题的提出 | 第35-36页 |
| ·基于熵的特征提取 | 第36-39页 |
| ·信息熵 | 第36页 |
| ·样本熵 | 第36-38页 |
| ·实验与分析 | 第38-39页 |
| ·基于支持向量数据描述的性能退化分析方法 | 第39-52页 |
| ·基本概念 | 第39-42页 |
| ·灰关联分析 | 第39-40页 |
| ·支持向量数据描述 | 第40-42页 |
| ·算法原理 | 第42-43页 |
| ·算法框架 | 第43-47页 |
| ·框架及步骤 | 第43-44页 |
| ·算法描述 | 第44-47页 |
| ·实验与分析 | 第47-52页 |
| ·数据预处理 | 第47-48页 |
| ·建模及退化分析 | 第48-50页 |
| ·数据处理分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 性能退化航天器的周期性参数预测方法 | 第53-75页 |
| ·预测方法概述 | 第53-61页 |
| ·回归方法 | 第53-56页 |
| ·曲线拟合回归 | 第53-54页 |
| ·ARMA模型 | 第54-56页 |
| ·平滑方法 | 第56-58页 |
| ·神经网络 | 第58-61页 |
| ·组合方法 | 第61页 |
| ·基于时间序列分解的组合预测方法 | 第61-74页 |
| ·相关研究 | 第61-62页 |
| ·基本概念 | 第62-66页 |
| ·小波分析 | 第62-63页 |
| ·时间序列分解 | 第63-64页 |
| ·GM(1,1)与残差修正GM(1,1) | 第64-66页 |
| ·算法框架 | 第66-69页 |
| ·框架及步骤 | 第66-67页 |
| ·算法描述 | 第67-69页 |
| ·实验与分析 | 第69-74页 |
| ·小波降噪及周期提取 | 第69-70页 |
| ·时间序列分解 | 第70-71页 |
| ·参数预测 | 第71-74页 |
| ·本章小结 | 第74-75页 |
| 第五章 总结与展望 | 第75-77页 |
| ·本文总结 | 第75-76页 |
| ·展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-84页 |
| 在学期间的研究成果及发表的学术论文 | 第84页 |
