| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 故障诊断概述 | 第12-15页 |
| 1.1.1 故障诊断目的 | 第12-13页 |
| 1.1.2 故障诊断的内容 | 第13-14页 |
| 1.1.3 国内外故障诊断历史 | 第14-15页 |
| 1.2 自然语言处理 | 第15-17页 |
| 1.2.2 自然语言处理的范畴 | 第15-16页 |
| 1.2.3 自然语言处理的历史 | 第16-17页 |
| 1.3 车辆故障诊断技术 | 第17-20页 |
| 1.3.1 车辆故障形成原因 | 第17-18页 |
| 1.3.2 车辆故障诊断方法 | 第18-19页 |
| 1.3.3 车辆故障诊断技术的研究现状及未来发展趋势 | 第19-20页 |
| 1.4 本文的主要研究内容及结构 | 第20-21页 |
| 1.4.1 本文的主要研究内容 | 第20页 |
| 1.4.2 文章结构 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 第2章 基于案例信息检索的车辆故障诊断系统总体架构 | 第22-26页 |
| 2.1 系统需求分析 | 第22-24页 |
| 2.1.1 系统功能分析 | 第22页 |
| 2.1.2 故障诊断工作流程 | 第22-24页 |
| 2.2 系统总体架构 | 第24页 |
| 2.3 系统主要特点 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 系统关键技术研究 | 第26-37页 |
| 3.1 人工智能 | 第26-27页 |
| 3.1.1 自然语言处理和人工智能 | 第27页 |
| 3.2 案例分词 | 第27-29页 |
| 3.2.1 基于字符串匹配的分词方法 | 第28页 |
| 3.2.2 基于理解的分词方法 | 第28-29页 |
| 3.2.3 基于统计的分词方法 | 第29页 |
| 3.3 案例匹配 | 第29-32页 |
| 3.3.1 词项加权 | 第29-31页 |
| 3.3.2 词向量 | 第31-32页 |
| 3.3.3 编辑距离 | 第32页 |
| 3.4 器件标注 | 第32-35页 |
| 3.4.1 TextRank算法 | 第33页 |
| 3.4.2 主题模型 | 第33-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第4章 故障诊断系统的设计与实现 | 第37-46页 |
| 4.1 案例分词 | 第37-41页 |
| 4.1.1 语料库 | 第38页 |
| 4.1.2 原子分词 | 第38-39页 |
| 4.1.3 N最短路径分词 | 第39-40页 |
| 4.1.4 未登录词识别 | 第40-41页 |
| 4.2 案例匹配 | 第41-43页 |
| 4.2.1 基于案例的车辆故障搜索引擎 | 第41-42页 |
| 4.2.2 文本相似度计算 | 第42-43页 |
| 4.2.3 故障码精确定位 | 第43页 |
| 4.3 器件标注 | 第43-44页 |
| 4.4 数据管理 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 系统测试及应用 | 第46-51页 |
| 5.1 系统运行环境 | 第46-47页 |
| 5.1.1 编程环境 | 第46页 |
| 5.1.2 编程语言 | 第46-47页 |
| 5.1.3 开发平台 | 第47页 |
| 5.1.4 数据来源 | 第47页 |
| 5.2 系统测试及应用 | 第47-50页 |
| 5.2.1 系统界面展示 | 第47-48页 |
| 5.2.2 系统测试与结果 | 第48-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 作者简介及科研成果 | 第56-57页 |
| 致谢 | 第57页 |