| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文主要研究工作 | 第13页 |
| 1.4 论文安排 | 第13-15页 |
| 第二章 离群点检测及故障定位流程概述 | 第15-21页 |
| 2.1 QAR时序数据简介 | 第15-18页 |
| 2.1.1 飞行数据发展概述 | 第15-16页 |
| 2.1.2 QAR系统简介 | 第16页 |
| 2.1.3 QAR数据获取 | 第16页 |
| 2.1.4 QAR数据特点 | 第16-17页 |
| 2.1.5 QAR数据的应用与故障检测 | 第17-18页 |
| 2.2 离群点检测故障定位流程 | 第18-20页 |
| 2.2.1 存在难点 | 第18-19页 |
| 2.2.2 整体分析 | 第19页 |
| 2.2.3 流程概述 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 QAR时序数据的聚类算法 | 第21-30页 |
| 3.1 K-MEANS算法的介绍 | 第21-25页 |
| 3.1.1 传统K-MEANS算法 | 第22-23页 |
| 3.1.2 K-MEANS算法的不足 | 第23-24页 |
| 3.1.3 K-MEANS算法初始质心选择的现有改进 | 第24页 |
| 3.1.4 算法在QAR数据应用中的问题 | 第24-25页 |
| 3.2 加权得分的K-MEANS初始质心改进 | 第25-28页 |
| 3.2.1 加权初始聚类中心选择 | 第25-27页 |
| 3.2.2 算法复杂性分析 | 第27-28页 |
| 3.3 基于改进K-MEANS算法的QAR数据聚类 | 第28-29页 |
| 3.3.1 QAR数据准备 | 第28页 |
| 3.3.2 实验分析 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 QAR数据的离群点检测及故障定位算法 | 第30-46页 |
| 4.1 离群点检测概述 | 第30-33页 |
| 4.1.1 离群点介绍 | 第30-31页 |
| 4.1.2 离群点检测方法 | 第31-32页 |
| 4.1.3 QAR数据的离群点挖掘 | 第32-33页 |
| 4.2 离群点检测及故障定位算法研究 | 第33-40页 |
| 4.2.1 最小二乘法原理 | 第33-36页 |
| 4.2.2 算法关键定义 | 第36-38页 |
| 4.2.3 算法实现 | 第38-40页 |
| 4.3 实验设计 | 第40-45页 |
| 4.3.1 数据预处理 | 第40-41页 |
| 4.3.2 实验及结果分析 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 总结与展望 | 第46-48页 |
| 5.1 本文工作总结 | 第46-47页 |
| 5.2 研究展望 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |
| 作者简介 | 第53页 |