| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 高速铁路故障诊断研究现状 | 第11-12页 |
| 1.2.2 基于支持向量机的机械故障诊断研究现状 | 第12页 |
| 1.2.3 特征维数约简研究现状 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-15页 |
| 第2章 高速列车走行部相关介绍及故障特征提取 | 第15-21页 |
| 2.1 走行部及其相关概述 | 第15-17页 |
| 2.1.1 高速列车走行部 | 第15-16页 |
| 2.1.2 高速列车四种工况 | 第16-17页 |
| 2.2 高速列车走行部故障诊断流程 | 第17-18页 |
| 2.3 实验数据介绍 | 第18-19页 |
| 2.4 高铁走行部故障特征提取相关介绍 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 改进的SVM高速列车走行部故障诊断 | 第21-35页 |
| 3.1 支持向量机分类模型 | 第21-25页 |
| 3.1.1 支持向量机基础理论 | 第21-23页 |
| 3.1.2 支持向量机多分类模型 | 第23-24页 |
| 3.1.3 支持向量机参数优化 | 第24-25页 |
| 3.2 基于支持向量机的高速列车走行部故障诊断仿真实验 | 第25-28页 |
| 3.2.1 支持向量机结构选型 | 第25-26页 |
| 3.2.2 仿真实验 | 第26-28页 |
| 3.3 SVM结合寻优算法在高速列车走行部故障诊断中的应用 | 第28-33页 |
| 3.3.1 基于网格搜索优化的支持向量机高铁故障诊断模型 | 第28-30页 |
| 3.3.2 基于遗传算法优化的支持向量机高铁故障诊断模型 | 第30-31页 |
| 3.3.3 基于粒子群算法优化的支持向量机高铁故障诊断模型 | 第31-33页 |
| 3.4 三种寻优算法结合SVM的高铁故障诊断结果分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 FOA算法的改进与应用 | 第35-47页 |
| 4.1 FOA算法基础理论 | 第35-36页 |
| 4.2 FOA算法的改进 | 第36-40页 |
| 4.2.1 遗传算法概述 | 第37-38页 |
| 4.2.2 FOA算法的改进策略 | 第38-40页 |
| 4.3 GA-FOA算法验证仿真实验 | 第40-43页 |
| 4.3.1 改进的FOA与原算法的对比 | 第41-43页 |
| 4.3.2 改进的FOA与经典寻优算法的对比 | 第43页 |
| 4.4 基于GA-FOA-SVM的高速列车走行部故障诊断应用分析 | 第43-46页 |
| 4.4.1 GA-FOA优化的支持向量机模型 | 第43-44页 |
| 4.4.2 GA-FOA-SVM在高速列车走行部故障诊断中的应用 | 第44页 |
| 4.4.3 仿真实验 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 t-SNE特征降维方法在高速铁路走行部多传感器故障诊断应用 | 第47-60页 |
| 5.1 维数约简 | 第47-49页 |
| 5.1.1 维数约简分类 | 第47-48页 |
| 5.1.2 流形学习 | 第48-49页 |
| 5.1.3 高速列车走行部多传感器维数约简分析 | 第49页 |
| 5.2 本征维数估计 | 第49-52页 |
| 5.2.1 本征维数 | 第49-50页 |
| 5.2.2 本征维数方法介绍 | 第50-51页 |
| 5.2.3 基于关联维方法的走行部多传感器数据本征维数估计 | 第51-52页 |
| 5.3 特征降维 | 第52-56页 |
| 5.3.1 t-SNE降维算法 | 第52-53页 |
| 5.3.2 基于t-SNE算法的多传感器数据降维 | 第53-55页 |
| 5.3.3 t-SNE与常用方法仿真结果可视化对比 | 第55-56页 |
| 5.4 基于GA-FOA-SVM与t-SNE的高速列车走行部故障诊断 | 第56-58页 |
| 5.5 本章小结 | 第58-60页 |
| 结论 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间发表的论文及参与的科研项目 | 第66页 |
