首页--交通运输论文--铁路运输论文--车辆工程论文--车辆运用、保养与检修论文--车辆检修、检修设备与列检自动化论文

基于改进的SVM和t-SNE高速列车走行部故障诊断

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

论文共66页,点击 下载论文
上一篇:郑万铁路工程项目可行性研究
下一篇:铁路货物运输作业指标考核体系研究