基于红外图像的服务器热故障诊断方法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.2 国内外数据中心监测现状 | 第9-13页 |
| 1.2.1 国内外发展现状 | 第9-11页 |
| 1.2.2 未来发展趋势 | 第11-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 章节安排 | 第14-15页 |
| 2 服务器热故障诊断算法介绍 | 第15-22页 |
| 2.1 服务器热故障诊断关键技术 | 第15-17页 |
| 2.1.1 图像特征提取 | 第16页 |
| 2.1.2 分类器设计 | 第16-17页 |
| 2.2 实验环境与算法硬件要求 | 第17-18页 |
| 2.2.1 数据中心环境要求 | 第17-18页 |
| 2.2.2 算法硬件要求 | 第18页 |
| 2.3 服务器热故障红外图像库的建立 | 第18-21页 |
| 2.3.1 图像采集设备 | 第18-20页 |
| 2.3.2 服务器热故障种类 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 基于特征与SVM结合的服务器热故障诊断方法 | 第22-41页 |
| 3.1 图像预处理 | 第22-26页 |
| 3.1.1 图像增强 | 第22-25页 |
| 3.1.2 图像标准化 | 第25-26页 |
| 3.2 图像特征提取 | 第26-33页 |
| 3.2.1 纹理特征 | 第27-30页 |
| 3.2.2 方向梯度直方图特征 | 第30-32页 |
| 3.2.3 图像改进熵特征 | 第32-33页 |
| 3.3 支持向量机 | 第33-37页 |
| 3.3.1 支持向量机简介 | 第34-35页 |
| 3.3.2 支持向量机参数优化 | 第35-37页 |
| 3.4 实验结果及性能分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于卷积神经网络的服务器热故障诊断方法 | 第41-55页 |
| 4.1 卷积神经网络网络结构 | 第41-44页 |
| 4.1.1 卷积层 | 第42-43页 |
| 4.1.2 下采样层 | 第43-44页 |
| 4.1.3 全连接层 | 第44页 |
| 4.2 AlexNet网络模型结构说明 | 第44-47页 |
| 4.2.1 ReLU函数 | 第45页 |
| 4.2.2 Dropout层 | 第45-46页 |
| 4.2.3 Softmax回归 | 第46-47页 |
| 4.3 服务器热故障诊断方法分析 | 第47-51页 |
| 4.3.1 卷积神经网络特征分析 | 第47-50页 |
| 4.3.2 卷积神经网络训练流程 | 第50-51页 |
| 4.4 实验结果与性能分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-65页 |
