摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第10-16页 |
1.1 概述 | 第10-11页 |
1.2 轨检与道岔识别的意义 | 第11-12页 |
1.3 道岔识别方法 | 第12页 |
1.4 模式识别的研究现状 | 第12-13页 |
1.4.1 国内发展状况 | 第12-13页 |
1.4.2 国外研究现状 | 第13页 |
1.5 模式识别方法 | 第13-15页 |
1.5.1 基于统计的识别方法 | 第14页 |
1.5.2 基于结构的识别方法 | 第14页 |
1.5.3 基于模糊集理论的识别方法 | 第14-15页 |
1.5.4 基于人工神经网络的模式识别方法 | 第15页 |
1.6 论文研究内容及结构 | 第15-16页 |
第2章 道岔基本结构及轨形分析 | 第16-28页 |
2.1 道岔的基本形式 | 第16-17页 |
2.2 单开道岔的基本结构与工作原理 | 第17-22页 |
2.2.1 转辙部分 | 第18-20页 |
2.2.1.1 基本轨 | 第18页 |
2.2.1.2 尖轨 | 第18-19页 |
2.2.1.3 跟端设备 | 第19-20页 |
2.2.2 连接部分 | 第20页 |
2.2.3 辙叉与护轨部分 | 第20-22页 |
2.2.3.1 辙叉结构 | 第20-21页 |
2.2.3.2 辙叉分类 | 第21-22页 |
2.3 扣件 | 第22页 |
2.4 转辙区轮轨接触关系与断面轮廓 | 第22-24页 |
2.4.1 转辙区轨道断面廓形变化 | 第22-24页 |
2.5 实测轨形对比分析 | 第24-26页 |
2.5.1 实测轨形的获取 | 第24页 |
2.5.2 轨形对比分析 | 第24-26页 |
2.5.2.1 普通轨形分析 | 第24-25页 |
2.5.2.2 道岔轨形分析 | 第25-26页 |
2.6 小结 | 第26-28页 |
第3章 道岔识别算法研究 | 第28-46页 |
3.1 曲线特征提取方法 | 第28-35页 |
3.1.1 Freeman链码法 | 第28-29页 |
3.1.2 夹角链码法 | 第29-31页 |
3.1.3 基于相对高度的曲线特征提取算法 | 第31-33页 |
3.1.4 基于角点距离矩阵和同心圆划分的曲线描述匹配方法 | 第33-34页 |
3.1.5 几种曲线特征描述方法的比较 | 第34-35页 |
3.2 决策树 | 第35-40页 |
3.2.1 决策树与决策树学习基本思想 | 第35-37页 |
3.2.2 决策树学习的过程 | 第37-38页 |
3.2.3 几种决策树学习算法及比较 | 第38-40页 |
3.2.3.1 ID3算法 | 第38-39页 |
3.2.3.2 C4.5算法 | 第39页 |
3.2.3.3 CART算法 | 第39-40页 |
3.3 卷积神经网络 | 第40-46页 |
3.3.1 传统的人工神经网络的原理 | 第40-41页 |
3.3.2 卷积神经网络原理 | 第41-46页 |
3.3.2.1 局部感知 | 第42页 |
3.3.2.2 权值共享 | 第42-43页 |
3.3.2.3 多卷积核 | 第43-44页 |
3.3.2.4 池化层 | 第44页 |
3.3.2.5 多层卷积 | 第44页 |
3.3.2.6 Relu激活函数 | 第44-46页 |
第4章 道岔识别实验设计及验证 | 第46-59页 |
4.1 基于曲线相对高度和距离度量的道岔识别 | 第46-51页 |
4.1.1 欧几里得距离阈值的设定 | 第47-50页 |
4.1.2 实验结果 | 第50-51页 |
4.2 基于CART算法的道岔识别 | 第51-55页 |
4.2.1 属性的选取 | 第51-52页 |
4.2.2 CART算法程序流程 | 第52页 |
4.2.3 决策树训练与预测 | 第52-55页 |
4.3 采用卷积神经网络的道岔识别方法 | 第55-58页 |
4.3.1 数据准备 | 第55-56页 |
4.3.2 设置网络结构与参数 | 第56-57页 |
4.3.3 测试结果 | 第57-58页 |
4.4 小结 | 第58-59页 |
结论与展望 | 第59-61页 |
致谢 | 第61-62页 |
参考文献 | 第62-65页 |
附录1 | 第65-66页 |
攻读硕士学位期间发表的论文 | 第66页 |