典型地铁路况特征识别方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 信号特征提取方法研究现状 | 第14-15页 |
| 1.2.2 神经网络识别信号特征方法研究现状 | 第15-17页 |
| 1.2.3 路况识别研究现状 | 第17-18页 |
| 1.3 本论文主要研究内容 | 第18-20页 |
| 2 地铁车辆线路试验与信号特征 | 第20-30页 |
| 2.1 动应力测点布置 | 第20-23页 |
| 2.1.1 转臂疲劳关键位置的确定 | 第20-21页 |
| 2.1.2 动应力测点分布 | 第21-23页 |
| 2.2 数据采集与前处理 | 第23-24页 |
| 2.2.1 数据采集系统 | 第23页 |
| 2.2.2 数据前处理 | 第23-24页 |
| 2.3 典型信号特征分析 | 第24-28页 |
| 2.3.1 弯道信号 | 第25-26页 |
| 2.3.2 道岔信号 | 第26-27页 |
| 2.3.3 轨缝信号 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 信号特征提取方法及理论 | 第30-44页 |
| 3.1 傅里叶变换 | 第30-33页 |
| 3.1.1 离散傅里叶变换 | 第30-31页 |
| 3.1.2 频谱分析 | 第31-33页 |
| 3.2 滤波处理 | 第33-34页 |
| 3.3 小波变换 | 第34-38页 |
| 3.3.1 连续小波与离散小波 | 第35-36页 |
| 3.3.2 小波包及小波包去噪 | 第36-38页 |
| 3.4 希尔伯特-黄变换 | 第38-41页 |
| 3.4.1 经验模式分解 | 第39-41页 |
| 3.4.2 能量熵 | 第41页 |
| 3.5 本章小结 | 第41-44页 |
| 4 神经网络与支持向量机 | 第44-58页 |
| 4.1 BP神经网络 | 第44-50页 |
| 4.1.1 BP网络结构 | 第45页 |
| 4.1.2 BP网络学习算法 | 第45-49页 |
| 4.1.3 BP网络的缺陷 | 第49-50页 |
| 4.2 支持向量机 | 第50-54页 |
| 4.2.1 支持向量机理论 | 第50-53页 |
| 4.2.2 支持向量机特点及应用 | 第53-54页 |
| 4.3 SVM与BP网络性能对比 | 第54-55页 |
| 4.4 本章小结 | 第55-58页 |
| 5 典型地铁路况识别 | 第58-82页 |
| 5.1 弯道识别 | 第58-63页 |
| 5.1.1 弯道信号时频特征 | 第58-59页 |
| 5.1.2 弯道识别方法 | 第59-61页 |
| 5.1.3 识别参数确定 | 第61-62页 |
| 5.1.4 弯道识别正确率 | 第62-63页 |
| 5.2 道岔识别 | 第63-72页 |
| 5.2.1 道岔信号时频特征 | 第63-65页 |
| 5.2.2 道岔识别方法 | 第65-67页 |
| 5.2.3 识别参数确定 | 第67-72页 |
| 5.2.4 道岔识别正确率 | 第72页 |
| 5.3 综合识别 | 第72-73页 |
| 5.4 轨缝信号特征分析 | 第73-81页 |
| 5.4.1 时域特征 | 第74-76页 |
| 5.4.2 频域特征 | 第76-77页 |
| 5.4.3 时频域识别方法对比 | 第77-78页 |
| 5.4.4 改进的轨缝识别方法 | 第78-81页 |
| 5.5 本章小结 | 第81-82页 |
| 6 结论与展望 | 第82-84页 |
| 6.1 结论 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 作者简历及攻读硕士专业学位期间取得的研究成果 | 第88-92页 |
| 学位论文数据集 | 第92页 |
