| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 故障预测方法综述 | 第14-16页 |
| 1.2.2 故障预测方法在铁路中的应用 | 第16-17页 |
| 1.3 论文的主要工作及结构安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 2 预备知识 | 第19-28页 |
| 2.1 铁路道岔简介 | 第19-20页 |
| 2.2 贝叶斯网络简介 | 第20-24页 |
| 2.2.1 贝叶斯网络基本结构 | 第21-22页 |
| 2.2.2 贝叶斯网络学习过程 | 第22-23页 |
| 2.2.3 贝叶斯网络的优势 | 第23-24页 |
| 2.3 因果NOISY MAX模型 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 铁路道岔故障致因提取 | 第28-35页 |
| 3.1 道岔故障分类 | 第28-29页 |
| 3.2 道岔维护记录分析 | 第29-31页 |
| 3.3 基于文本挖掘的道岔故障致因提取 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 铁路道岔故障预测 | 第35-61页 |
| 4.1 数据分析 | 第35-37页 |
| 4.2 基于贝叶斯网络的道岔故障预测 | 第37-50页 |
| 4.2.1 模型变量 | 第38-40页 |
| 4.2.2 模型变量的离散化 | 第40-42页 |
| 4.2.3 模型结构确定 | 第42-43页 |
| 4.2.4 条件概率表确定 | 第43-47页 |
| 4.2.5 Monte Carlo仿真结果 | 第47-50页 |
| 4.3 基于ADABOOST算法的铁路道岔故障预测 | 第50-53页 |
| 4.4 基于其它算法的铁路道岔故障预测 | 第53-57页 |
| 4.4.1 基于SVM的的道岔故障预测 | 第53-56页 |
| 4.4.2 基于BP神经网络的道岔故障预测 | 第56-57页 |
| 4.5 模型评估 | 第57-60页 |
| 4.5.1 故障数目计算 | 第57-58页 |
| 4.5.2 评价指标 | 第58页 |
| 4.5.3 算法性能比较 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 5 铁路道岔维护管理模块设计与改进 | 第61-68页 |
| 5.1 道岔维护管理模块简介 | 第61-62页 |
| 5.2 道岔维护管理模块改进 | 第62-67页 |
| 5.3 本章小结 | 第67-68页 |
| 6 结论 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 图索引 | 第75-76页 |
| 表索引 | 第76-77页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 学位论文数据集 | 第79页 |