最大信息系数改进算法及其在铁路事故分析中的应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 1 绪论 | 第14-32页 |
| 1.1 研究背景与意义 | 第14-18页 |
| 1.2 国内外研究现状 | 第18-27页 |
| 1.2.1 铁路事故分析研究现状 | 第18-22页 |
| 1.2.2 铁路事故预警研究现状 | 第22-23页 |
| 1.2.3 统计相关性研究现状 | 第23-27页 |
| 1.3 面临的问题及挑战 | 第27-28页 |
| 1.3.1 铁路事故分析中面临的问题 | 第27页 |
| 1.3.2 MIC方法存在的不足 | 第27-28页 |
| 1.4 本文主要工作以及组织结构 | 第28-32页 |
| 2 基于数据驱动的系统分析基础理论与方法 | 第32-48页 |
| 2.1 统计相关性理论 | 第32-41页 |
| 2.1.1 相关系数 | 第32-35页 |
| 2.1.2 最大信息系数MIC定义 | 第35-37页 |
| 2.1.3 现有的计算两变量MIC近似算法 | 第37-41页 |
| 2.2 复杂网络理论 | 第41-45页 |
| 2.2.1 复杂网络的定义以及表示方式 | 第41-42页 |
| 2.2.2 复杂网络的特征度量 | 第42-43页 |
| 2.2.3 复杂网络模型 | 第43-45页 |
| 2.3 人工神经网络模型 | 第45-46页 |
| 2.3.1 神经网络类型 | 第45-46页 |
| 2.3.2 神经网络算法 | 第46页 |
| 2.4 本章小结 | 第46-48页 |
| 3 两变量MIC数学模型与快速算法 | 第48-72页 |
| 3.1 计算两变量MIC面临的问题 | 第48-52页 |
| 3.2 计算两变量MIC的数学模型 | 第52-55页 |
| 3.3 计算两变量MIC的快速算法 | 第55-60页 |
| 3.3.1 快速算法 | 第55-60页 |
| 3.3.2 算法复杂度分析 | 第60页 |
| 3.4 实验结果 | 第60-69页 |
| 3.4.1 广泛性分析 | 第61-63页 |
| 3.4.2 均匀性分析 | 第63-65页 |
| 3.4.3 计算时间分析 | 第65-69页 |
| 3.5 本章小结 | 第69-72页 |
| 4 多变量MIC快速算法 | 第72-94页 |
| 4.1 面临的问题 | 第72-73页 |
| 4.2 多变量MIC的定义 | 第73-75页 |
| 4.3 计算多变量MIC的快速算法 | 第75-80页 |
| 4.4 算例分析 | 第80-82页 |
| 4.5 实验结果 | 第82-92页 |
| 4.5.1 广泛性分析 | 第82-86页 |
| 4.5.2 均匀性分析 | 第86-89页 |
| 4.5.3 计算时间分析 | 第89-92页 |
| 4.6 本章小结 | 第92-94页 |
| 5 基于MIC的铁路事故复杂网络模型 | 第94-104页 |
| 5.1 铁路事故复杂网络模型 | 第94-96页 |
| 5.2 数据预处理 | 第96-97页 |
| 5.3 实验结果 | 第97-103页 |
| 5.4 本章小结 | 第103-104页 |
| 6 基于MIC的铁路事故预警方法 | 第104-112页 |
| 6.1 数据预处理 | 第104-105页 |
| 6.2 铁路事故预警方法 | 第105-111页 |
| 6.2.1 因素分析 | 第105-110页 |
| 6.2.2 预警方法 | 第110-111页 |
| 6.3 本章小结 | 第111-112页 |
| 7 结论与展望 | 第112-116页 |
| 7.1 结论 | 第112-114页 |
| 7.2 展望 | 第114-116页 |
| 参考文献 | 第116-124页 |
| 附录 | 第124-126页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第126-130页 |
| 学位论文数据集 | 第130页 |
