| 摘要 | 第3-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第15-27页 |
| 1.1 引言 | 第15-16页 |
| 1.2 数据挖掘的概述及研究现状 | 第16-18页 |
| 1.2.1 数据挖掘概述 | 第16页 |
| 1.2.2 数据挖掘的任务 | 第16-17页 |
| 1.2.3 数据挖掘的主要方法 | 第17-18页 |
| 1.3 数据挖掘的研究现状 | 第18-19页 |
| 1.4 数据挖掘技术用于状态监测数据的研究现状 | 第19-21页 |
| 1.5 论文的目的和意义 | 第21-22页 |
| 1.6 论文的主要研究内容 | 第22-23页 |
| 参考文献 | 第23-27页 |
| 第二章 岸桥机械状态远程监测评估的系统实现与数据积累 | 第27-39页 |
| 2.1 引言 | 第27页 |
| 2.2 NetCMAS 系统结构 | 第27-29页 |
| 2.2.1 系统构架 | 第27-28页 |
| 2.2.2 系统网络模式 | 第28-29页 |
| 2.3 NetCMAS 中的关键技术研究及其实现 | 第29-34页 |
| 2.3.1 传感器布置 | 第29-33页 |
| 2.3.2 特征提取及指标选择 | 第33-34页 |
| 2.4 监测方案与数据挖掘数据源 | 第34-37页 |
| 2.4.1 状态监测方案 | 第34-37页 |
| 2.4.2 数据组织和数据挖掘的目标 | 第37页 |
| 2.5 本章小结 | 第37页 |
| 参考文献 | 第37-39页 |
| 第三章 岸桥动态监测数据的关联规则挖掘 | 第39-62页 |
| 3.1 引言 | 第39页 |
| 3.2 关联规则概述 | 第39-41页 |
| 3.2.1 关联规则的基本概念 | 第39-40页 |
| 3.2.2 关联规则挖掘经典算法概述 | 第40-41页 |
| 3.3 量化关联规则概述 | 第41页 |
| 3.4 量化关联规则挖掘算法(MQAR)概述 | 第41-43页 |
| 3.5 MCA-MQAR 关联规则挖掘方法 | 第43-47页 |
| 3.5.1 MCA 算法简介 | 第44-46页 |
| 3.5.2 MCA-MQAR 算法步骤 | 第46-47页 |
| 3.6 岸桥动态监测数据的关联规则挖掘 | 第47-50页 |
| 3.6.1 数据准备 | 第47-48页 |
| 3.6.2 监测信息的关联规则挖掘 | 第48-50页 |
| 3.7 基于遗传算法的量化关联规则挖掘—GA-MQAR | 第50-55页 |
| 3.7.1 GA-MQAR 挖掘方法 | 第51-55页 |
| 3.8 GA-MQAR 算法的规则挖掘及结果分析 | 第55-59页 |
| 3.8.1 监测信息的关联规则挖掘 | 第55-59页 |
| 3.9 MCA-MQAR和GA-MQAR算法的比较 | 第59页 |
| 3.10 本章小结 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 第四章 基于关联规则的岸桥机械状态识别 | 第62-73页 |
| 4.1 引言 | 第62页 |
| 4.2 关联规则的划分 | 第62-69页 |
| 4.2.1 规则划分的测度—相似度(Similarity) | 第62-65页 |
| 4.2.2 关联规则的划分 | 第65-69页 |
| 4.3 基于规则的岸桥状态识别 | 第69-72页 |
| 4.4 本章小结 | 第72页 |
| 参考文献 | 第72-73页 |
| 第五章 岸桥机械状态识别中的属性约简 | 第73-93页 |
| 5.1 引言 | 第73页 |
| 5.2 粗糙集的基本理论 | 第73-75页 |
| 5.2.1 知识的分类和表达 | 第74页 |
| 5.2.2 粗糙集基本概念 | 第74-75页 |
| 5.3 粗糙集决策表的属性约简 | 第75-81页 |
| 5.3.1 可辨识矩阵(Discernibility Matrix) | 第75-76页 |
| 5.3.2 决策表属性约简 | 第76-77页 |
| 5.3.3 决策表属性约简算法 | 第77-81页 |
| 5.4 基于粗糙集属性约简结果的评价标准 | 第81页 |
| 5.5 岸桥机械状态特征参数的属性约简 | 第81-90页 |
| 5.5.1 岸桥起升电机状态特征属性约简研究 | 第82-87页 |
| 5.5.2 岸桥小车行走电机状态特征属性约简研究 | 第87-90页 |
| 5.6 本章小结 | 第90-91页 |
| 参考文献 | 第91-93页 |
| 第六章 岸桥机械状态识别及可视化 | 第93-106页 |
| 6.1 引言 | 第93页 |
| 6.2 高维数据的可视化及其主要方法 | 第93-95页 |
| 6.2.1 高维数据可视化的基本概念 | 第93页 |
| 6.2.2 基于SOM 模型的聚类分析及可视化 | 第93-95页 |
| 6.3 增长神经元结构（Growing Cell Structure） | 第95-99页 |
| 6.3.1 增长神经元结构简介 | 第95页 |
| 6.3.2 GCS 网络构成 | 第95-96页 |
| 6.3.3 GCS 学习与生长算法 | 第96-99页 |
| 6.4 岸桥电机机械状态聚类分析案例 | 第99-104页 |
| 6.4.1 起升电机机械状态聚类分析 | 第99-102页 |
| 6.4.2 小车电机机械状态聚类分析 | 第102-104页 |
| 6.5 本章小结 | 第104-105页 |
| 参考文献 | 第105-106页 |
| 第七章 基于支持向量机的岸桥状态参数预测 | 第106-120页 |
| 7.1 引言 | 第106页 |
| 7.2 支持向量机的基本理论与概述 | 第106-113页 |
| 7.2.1 统计学习理论 | 第106-107页 |
| 7.2.2 支持向量机的基本原理 | 第107-110页 |
| 7.2.3 支持向量机的回归算法 | 第110-112页 |
| 7.2.4 基于SVM 模型的时间序列预测模型 | 第112-113页 |
| 7.3 基于SVM 的岸桥机械状态特征参数预测 | 第113-118页 |
| 7.3.1 数据收集 | 第113-114页 |
| 7.3.2 数据预处理 | 第114页 |
| 7.3.3 SVM 预测模型的建立 | 第114-116页 |
| 7.3.4 预测模型的测试与比较 | 第116-118页 |
| 7.4 本章小结 | 第118-119页 |
| 参考文献 | 第119-120页 |
| 第八章 总结与展望 | 第120-124页 |
| 8.1 总结 | 第120-121页 |
| 8.2 论文创新点 | 第121-122页 |
| 8.3 展望 | 第122-124页 |
| 致谢 | 第124-125页 |
| 攻读博士学位期间发表、录用和投递的论文 | 第125-126页 |
