| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景及意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 研究内容及研究方法 | 第12-15页 |
| 本章小结 | 第15-16页 |
| 第二章 试车台监测系统简介 | 第16-22页 |
| 2.1 航空部件监测系统简介 | 第16页 |
| 2.2 试车台监测系统主要构成 | 第16-19页 |
| 2.3 试车台主要监测参数 | 第19-21页 |
| 本章小结 | 第21-22页 |
| 第三章 数据挖掘技术概述 | 第22-34页 |
| 3.1 数据挖掘技术 | 第22-24页 |
| 3.2 关联规则概述 | 第24-29页 |
| 3.2.1 关联规则挖掘 | 第24-25页 |
| 3.2.2 关联规则的基本概念 | 第25-26页 |
| 3.2.3 Apriori算法 | 第26-27页 |
| 3.2.4 改进Apriori算法 | 第27-29页 |
| 3.3 人工神经网络 | 第29-33页 |
| 3.3.1 BP神经网络 | 第29-30页 |
| 3.3.2 BP神经网络的基本结构 | 第30-31页 |
| 3.3.3 BP神经网络的改进 | 第31-33页 |
| 小结 | 第33-34页 |
| 第四章 关联规则挖掘在试车台监测系统中的实现 | 第34-46页 |
| 4.1 关联规则技术的原理及其方法 | 第34-35页 |
| 4.2 Apriori算法的改进 | 第35-37页 |
| 4.2.1 Apriori算法改进思路 | 第35页 |
| 4.2.2 改进后算法描述 | 第35-36页 |
| 4.2.3 改进后的Apriori算法举例 | 第36-37页 |
| 4.2.4 改进的Apriori算法效果评价 | 第37页 |
| 4.3 关联规则数据挖掘在试车台监测数据中的实现 | 第37-45页 |
| 4.3.1 关联规则数据挖掘清洗集成 | 第37-40页 |
| 4.3.2 数据选择和属性编码 | 第40-41页 |
| 4.3.3 空缺值处理 | 第41-42页 |
| 4.3.4 数据离散化 | 第42-44页 |
| 4.3.5 关联规则数量的相关因素分析 | 第44页 |
| 4.3.6 关联规则挖掘结果及分析 | 第44-45页 |
| 本章小结 | 第45-46页 |
| 第五章 基于遗传BP神经网络的试车台振动趋势预测 | 第46-59页 |
| 5.1 遗传BP神经网络基本原理 | 第46-47页 |
| 5.2 利用遗传算法确定BP神经网络初始权值和阈值 | 第47-49页 |
| 5.3 遗传BP神经网络的建模 | 第49页 |
| 5.4 遗传BP神经网络效果评价 | 第49-50页 |
| 5.5 基于遗传BP神经网络的振动趋势预测建模 | 第50-56页 |
| 5.5.1 样本选择 | 第50-51页 |
| 5.5.2 试车过程 | 第51页 |
| 5.5.3 数据初始化 | 第51-56页 |
| 5.6 试车台状态预测及结果分析 | 第56页 |
| 5.7 线性回归建模及其与遗传BP神经网络建模的比较 | 第56-57页 |
| 本章小结 | 第57-59页 |
| 结论与展望 | 第59-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 个人简历 | 第67-68页 |
| 附录一 | 第68-69页 |
| 附录二 | 第69-70页 |