| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及选题意义 | 第12-13页 |
| 1.2 基于Hadoop的多模态故障诊断方法综述 | 第13-18页 |
| 1.3 论文的主要研究内容 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 TEP实验数据获取 | 第20-27页 |
| 2.1 TEP模型概述 | 第20-23页 |
| 2.1.1 TEP反应流程 | 第20-22页 |
| 2.1.2 TEP监控变量与故障类型 | 第22-23页 |
| 2.2 TEP仿真模型各模态数据获取 | 第23-25页 |
| 2.3 TEP实验数据源准备 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于MapReduce的Kmeans-KPCA-naiveBayes故障诊断算法研究 | 第27-43页 |
| 3.1 Kmeans聚类算法及并行化改造 | 第27-32页 |
| 3.1.1 Kmeans算法 | 第27-30页 |
| 3.1.2 Kmeans算法的并行化改造 | 第30-32页 |
| 3.2 基于核主成分分析(KPCA)的故障检测方法及并行化改造 | 第32-38页 |
| 3.2.1 主成分分析(PCA) | 第32-35页 |
| 3.2.2 核主成分分析(KPCA) | 第35-37页 |
| 3.2.3 基于KPCA故障检测算法的并行化改造 | 第37-38页 |
| 3.3 基于贝叶斯分类器的故障诊断算法及并行化改造 | 第38-41页 |
| 3.3.1 朴素贝叶斯分类模型 | 第38-40页 |
| 3.3.2 基于朴素贝叶斯的故障诊断方法的并行化改造 | 第40-41页 |
| 3.4 基于MapReduce的Kmeans-KPCA-naiveBayes故障诊断方法 | 第41-42页 |
| 3.4.1 方法原理 | 第41页 |
| 3.4.2 方法流程 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于Hadoop的故障诊断平台的设计和部署 | 第43-59页 |
| 4.1 Hadoop生态系统结构与基于R的大数据分析 | 第43-48页 |
| 4.1.1 Hadoop生态系统结构 | 第43-47页 |
| 4.1.2 大数据分析与R | 第47-48页 |
| 4.2 故障诊断平台设计 | 第48-51页 |
| 4.2.1 需求分析 | 第48页 |
| 4.2.2 平台设计 | 第48-51页 |
| 4.3 平台部署 | 第51-58页 |
| 4.3.1 软硬件环境 | 第51-52页 |
| 4.3.2 平台安装部署 | 第52-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 基于Hadoop的多模态TE过程故障诊断方法实验研究 | 第59-75页 |
| 5.1 Kmeans算法的确定 | 第59-66页 |
| 5.2 Kmeans算法在Matlab与Hadoop上的性能对比 | 第66-67页 |
| 5.3 并行Kmeans-KPCA-naiveBayes故障诊断实验研究 | 第67-74页 |
| 5.4 本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士期间发表的论文和获得的科研成果 | 第81-82页 |
| 致谢 | 第82-83页 |
