基于神经网络与案例推理的车载设备故障诊断研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 列车故障诊断国内外发展状况 | 第14-16页 |
| 1.2.1 神经网络的研究及应用 | 第15页 |
| 1.2.2 基于案例推理与神经网络集成诊断 | 第15-16页 |
| 1.3 本文的主要内容及结构 | 第16-17页 |
| 2 基于案例的推理技术 | 第17-33页 |
| 2.1 案例推理原理 | 第17-20页 |
| 2.1.1 案例推理的实现与检索方法研究 | 第18-19页 |
| 2.1.2 故障案例库构建 | 第19-20页 |
| 2.2 案例推理的属性选择及约简 | 第20-23页 |
| 2.2.1 案例的属性约简 | 第21-23页 |
| 2.3 列车车载设备的故障案例表示 | 第23-28页 |
| 2.3.1 列车车载设备故障机理研究分析 | 第25-27页 |
| 2.3.2 故障案例表示的实现 | 第27-28页 |
| 2.4 车载设备系统故障案例检索 | 第28-32页 |
| 2.4.1 案例所属空间确定 | 第28-30页 |
| 2.4.2 子案例匹配 | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 神经网络在故障诊断中的应用 | 第33-50页 |
| 3.1 神经网络简述 | 第33页 |
| 3.2 神经网络的工作原理 | 第33-41页 |
| 3.2.1 BP神经网络算法 | 第34-37页 |
| 3.2.2 BP神经网络算法的改进 | 第37-40页 |
| 3.2.3 神经网络学习诊断结果 | 第40-41页 |
| 3.3 BP神经网络的故障诊断应用 | 第41-48页 |
| 3.3.1 安全计算机平台诊断实例 | 第42-47页 |
| 3.3.2 模糊神经网络的属性离散化及模型建立 | 第47-48页 |
| 3.3.3 仿真试验结果验证 | 第48页 |
| 3.4 本章小结 | 第48-50页 |
| 4 基于神经网络与粗糙集案例推理 | 第50-68页 |
| 4.1 案例推理与神经网络结合 | 第50-54页 |
| 4.1.1 基于神经网络的案例推理 | 第51-53页 |
| 4.1.2 BP神经网络案例推理模型建立 | 第53-54页 |
| 4.2 基于粗糙集的神经网络故障诊断模型 | 第54-61页 |
| 4.2.1 粗糙集对案例数据处理 | 第54-55页 |
| 4.2.2 基于粗糙集理论的模糊神经网络结构 | 第55-58页 |
| 4.2.3 粗糙集神经网络学习诊断结果 | 第58-61页 |
| 4.3 基于π函数的模糊神经网络结构 | 第61-66页 |
| 4.3.1 π函数网络结构配置 | 第61-63页 |
| 4.3.2 基于π函数网络诊断系统 | 第63-64页 |
| 4.3.3 诊断结果及分析 | 第64-66页 |
| 4.4 本章小结 | 第66-68页 |
| 5 车载设备故障诊断系统设计 | 第68-78页 |
| 5.1 系统结构设计与实现 | 第68-72页 |
| 5.1.1 集成诊断系统结构组成 | 第68-69页 |
| 5.1.2 功能结构设计 | 第69页 |
| 5.1.3 数据库设计与实现步骤 | 第69-72页 |
| 5.2 车载设备故障集成诊断系统关键开发技术 | 第72-76页 |
| 5.2.1 集成诊断系统模型功能 | 第72-73页 |
| 5.2.2 集成故障诊断系统功能界面 | 第73-76页 |
| 5.3 仿真模拟诊断结果分析 | 第76-77页 |
| 5.4 小结 | 第77-78页 |
| 6 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78页 |
| 6.2 展望 | 第78-80页 |
| 参考文献 | 第80-83页 |
| 图索引 | 第83-85页 |
| 表索引 | 第85-86页 |
| 作者简历 | 第86-88页 |
| 学位论文数据集 | 第88页 |
