| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-22页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 车载设备故障诊断研究现状 | 第12-14页 |
| 1.2.2 深度学习研究现状 | 第14-16页 |
| 1.2.3 基于深度学习的故障诊断研究现状 | 第16-18页 |
| 1.3 车载设备故障诊断研究思路 | 第18-19页 |
| 1.4 论文的主要工作和组织架构 | 第19-22页 |
| 2 车载设备故障数据及其特征表示 | 第22-36页 |
| 2.1 车载设备结构及其功能概述 | 第22-23页 |
| 2.2 车载设备故障数据分析 | 第23-27页 |
| 2.2.1 车载设备故障分类总结 | 第23-25页 |
| 2.2.2 故障数据分析 | 第25-27页 |
| 2.3 基于词向量的特征表示方法 | 第27-35页 |
| 2.3.1 文本信息的向量表示方法 | 第27-29页 |
| 2.3.2 300T车载设备运行信息语料库 | 第29-30页 |
| 2.3.3 Word2vec | 第30-33页 |
| 2.3.4 基于Skip-gram模型的词向量的实现 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于神经网络的车载设备故障诊断模型 | 第36-51页 |
| 3.1 BP神经网络故障诊断方法 | 第36-39页 |
| 3.1.1 BP神经网络算法原理 | 第36-38页 |
| 3.1.2 BP神经网络模型建立 | 第38-39页 |
| 3.2 基于BP神经网络优化算法的故障诊断模型 | 第39-43页 |
| 3.2.1 共轭梯度算法优化模型 | 第40-41页 |
| 3.2.2 LM算法优化模型 | 第41-42页 |
| 3.2.3 贝叶斯正则化算法优化模型 | 第42-43页 |
| 3.3 基于LSTM算法的车载设备故障诊断模型 | 第43-50页 |
| 3.3.1 循环神经网络原理 | 第43-45页 |
| 3.3.2 LSTM网络结构和算法分析 | 第45-48页 |
| 3.3.3 LSTM-BP网络模型 | 第48-50页 |
| 3.4 本章小结 | 第50-51页 |
| 4 仿真验证及结果分析 | 第51-65页 |
| 4.1 数据预处理 | 第51-53页 |
| 4.1.1 样本集说明 | 第51-52页 |
| 4.1.2 模型数据及参数处理 | 第52-53页 |
| 4.2 BP网络模型仿真结果 | 第53-59页 |
| 4.2.1 三种优化模型性能对比 | 第53-57页 |
| 4.2.2 原始BP网络模型和优化后模型分类性能对比 | 第57-59页 |
| 4.3 LSTM-BP网络模型仿真结果 | 第59-63页 |
| 4.3.1 模型性能验证 | 第59-61页 |
| 4.3.2 LSTM-BP网络模型结果分析 | 第61-63页 |
| 4.4 本章小结 | 第63-65页 |
| 5 结论与展望 | 第65-68页 |
| 5.1 论文总结 | 第65-66页 |
| 5.2 研究展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 图索引 | 第71-72页 |
| 表索引 | 第72-73页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第73-75页 |
| 学位论文数据集 | 第75页 |