| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究问题和目标 | 第12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文研究意义 | 第13页 |
| 1.5 论文组织结构 | 第13-15页 |
| 2 相关研究理论及研究现状综述 | 第15-36页 |
| 2.1 大数据 | 第15-29页 |
| 2.1.1 大数据概述 | 第16-17页 |
| 2.1.2 大数据的核心技术 | 第17-20页 |
| 2.1.3 大数据的常用软件 | 第20-21页 |
| 2.1.4 大数据应用现状 | 第21-29页 |
| 2.2 语义网 | 第29-32页 |
| 2.2.1 语义网概述 | 第30页 |
| 2.2.2 语义网体系结构 | 第30-32页 |
| 2.3 决策树 | 第32-35页 |
| 2.3.1 决策树概述 | 第33-34页 |
| 2.3.2 决策树ID3算法 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 高速铁路信号系统运营维护数据分析 | 第36-43页 |
| 3.1 高速铁路信号系统运营维护数据现状分析 | 第37-39页 |
| 3.2 基于大数据技术的决策支持 | 第39-42页 |
| 3.2.1 高铁信号系统设备寿命分布模型 | 第40页 |
| 3.2.2 高铁信号系统设备病害/故障诊断 | 第40-41页 |
| 3.2.3 高铁信号系统设备安全风险源识别 | 第41页 |
| 3.2.4 高铁信号系统设备安全风险评估 | 第41-42页 |
| 3.2.5 高铁信号系统设备状态维修 | 第42页 |
| 3.3 本章小结 | 第42-43页 |
| 4 基于Hadoop的高铁信号系统运营维护数据融合与决策支持 | 第43-50页 |
| 4.1 关系数据库到RDF转换形式化定义 | 第43-44页 |
| 4.2 基于Hadoop的本体数据融合算法研究 | 第44-46页 |
| 4.3 框架体系架构 | 第46-49页 |
| 4.3.1 数据采集层 | 第47-48页 |
| 4.3.2 数据存储层 | 第48页 |
| 4.3.3 数据分析层 | 第48-49页 |
| 4.3.4 可视化层 | 第49页 |
| 4.3.5 标准规范体系 | 第49页 |
| 4.3.6 安全保障体系 | 第49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 基于Hadoop的本体融合算法实现和运维决策支持系统开发 | 第50-70页 |
| 5.1 基于Hadoop平台的本体融合算法实现 | 第50-59页 |
| 5.1.1 Hadoop平台搭建 | 第50-57页 |
| 5.1.2 本体融合算法性能比较 | 第57-59页 |
| 5.2 运维决策支持系统开发框架与思路 | 第59-61页 |
| 5.3 运维决策支持系统开发所需要的软件支持 | 第61-62页 |
| 5.3.1 软件约束 | 第61页 |
| 5.3.2 硬件限制 | 第61-62页 |
| 5.4 运维决策支持系统的界面设计及功能实现 | 第62-69页 |
| 5.4.1 数据录入 | 第62-65页 |
| 5.4.2 本体知识库建立 | 第65-68页 |
| 5.4.3 故障诊断与决策 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 6 结论与展望 | 第70-72页 |
| 6.1 研究工作总结 | 第70页 |
| 6.2 进一步研究展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 图索引 | 第76-78页 |
| 表索引 | 第78-79页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第79-81页 |
| 学位论文数据集 | 第81页 |