| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 论文研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 轨道状态分析研究现状 | 第12-13页 |
| 1.2.2 时间序列并行分解研究现状 | 第13-14页 |
| 1.2.3 集成学习研究现状 | 第14-15页 |
| 1.2.4 深度学习与卷积神经网络研究现状 | 第15-16页 |
| 1.3 本文的研究内容及结构安排 | 第16-17页 |
| 1.3.1 本文的研究内容 | 第16-17页 |
| 1.3.2 论文的结构安排 | 第17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 相关技术研究 | 第18-27页 |
| 2.1 Spark | 第18-20页 |
| 2.1.1 Spark背景介绍 | 第18页 |
| 2.1.2 Spark计算模型 | 第18-20页 |
| 2.2 集成学习 | 第20-22页 |
| 2.2.1 Boosting | 第20-21页 |
| 2.2.2 Bagging | 第21页 |
| 2.2.3 结合策略 | 第21-22页 |
| 2.3 CNN | 第22-26页 |
| 2.3.1 CNN特征取 | 第23-25页 |
| 2.3.2 CNN训练方法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于Spark的时间序列并行分解模型 | 第27-37页 |
| 3.1 模型设计 | 第27-30页 |
| 3.1.1 模型实例 | 第28-30页 |
| 3.1.2 模型实现 | 第30页 |
| 3.2 实验设计与结果分析 | 第30-36页 |
| 3.2.1 一致性验证 | 第31-34页 |
| 3.2.2 性能升验证 | 第34-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 基于Stacking集成模型的轨道-车体振动状态预测方法 | 第37-59页 |
| 4.1 轨道不平顺数据述 | 第37-39页 |
| 4.2 轨道-车体振动状态预测方法分析 | 第39-41页 |
| 4.3 数据预处理 | 第41-46页 |
| 4.3.1 轨道不平顺数据噪声处理 | 第41-43页 |
| 4.3.2 样本构造 | 第43-45页 |
| 4.3.3 样本类别不平衡处理 | 第45-46页 |
| 4.4 特征提取 | 第46-49页 |
| 4.4.1 时域特征 | 第46-48页 |
| 4.4.2 频域特征 | 第48-49页 |
| 4.5 Stacking集成模型设计 | 第49-50页 |
| 4.6 实验设计与结果分析 | 第50-58页 |
| 4.6.1 实验说明 | 第50-52页 |
| 4.6.2 数据集采样实验 | 第52-54页 |
| 4.6.3 基于XGBOOST的特征选择 | 第54-57页 |
| 4.6.4 基于Stacking集成模型的轨道-车振动状态预测 | 第57-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第5章 基于CNN的轨道-车体振动状态预测方法 | 第59-69页 |
| 5.1 数据输入层构建 | 第60-62页 |
| 5.2 基于CNN的轨道-车体振动状态预测模型 | 第62页 |
| 5.3 实验设计和结果分析 | 第62-68页 |
| 5.3.1 实验说明 | 第62-64页 |
| 5.3.2 网络结构分析 | 第64-66页 |
| 5.3.3 CNN轨道-车体状态预测结果分析 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论与展望 | 第69-71页 |
| 结论 | 第69-70页 |
| 进一步工作 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第77页 |