| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 数据驱动的列车走行部故障诊断 | 第12-13页 |
| 1.2.2 雷达辐射源信号识别 | 第13-14页 |
| 1.2.3 LCD的研究现状 | 第14页 |
| 1.2.4 流形学习的研究现状 | 第14-15页 |
| 1.3 本文研究工作 | 第15-16页 |
| 1.4 本文结构安排 | 第16-18页 |
| 第2章 实验数据及信息熵特征 | 第18-32页 |
| 2.1 列车走行部故障数据 | 第18-25页 |
| 2.1.1 列车走行部重要部件及初步分析 | 第19-20页 |
| 2.1.2 列车仿真模型与数据来源 | 第20-22页 |
| 2.1.3 走行部工况数据时频分析 | 第22-25页 |
| 2.2 轴承故障标准数据集 | 第25-26页 |
| 2.3 雷达辐射源数据 | 第26-28页 |
| 2.4 时域及信息熵特征 | 第28-31页 |
| 2.4.1 时域特征 | 第28页 |
| 2.4.2 信息熵特征 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 LCD与流形学习的基本原理 | 第32-42页 |
| 3.1 LCD分解 | 第32-37页 |
| 3.1.1 LCD的原理及分解步骤 | 第33-34页 |
| 3.1.2 LCD方法创新点 | 第34页 |
| 3.1.3 LCD仿真信号分析 | 第34-36页 |
| 3.1.4 基于LCD信息熵的轴承故障特征分析 | 第36-37页 |
| 3.2 流形学习 | 第37-41页 |
| 3.2.1 流形学习概论及定义 | 第37-38页 |
| 3.2.2 流形学习算法 | 第38-40页 |
| 3.2.3 本质维数估计和特征评价 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 基于ELCD和流形学习的走行部故障特征分析 | 第42-52页 |
| 4.1 ELCD分解 | 第42-45页 |
| 4.1.1 ELCD原理及分解步骤 | 第42页 |
| 4.1.2 ELCD的白噪声准则和集成次数 | 第42-43页 |
| 4.1.3 ELCD仿真信号分析 | 第43-45页 |
| 4.2 走行部故障信号的ELCD分析 | 第45-47页 |
| 4.2.1 走行部单一、复合工况的ELCD分析 | 第45-47页 |
| 4.2.2 走行部横向减振器非全拆工况的ELCD分析 | 第47页 |
| 4.3 基于ELCD和流形学习的故障特征分析 | 第47-51页 |
| 4.3.1 基于ELCD和流形学习特征分析步骤 | 第47-49页 |
| 4.3.2 走行部横向减振器非全拆实验结果分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于ELCD和流形学习的辐射源识别 | 第52-62页 |
| 5.1 基于相位差分的频率分析的调制类型识别 | 第52-56页 |
| 5.1.1 多重相位差分法求时频曲线 | 第52-53页 |
| 5.1.2 3dB带宽测量 | 第53页 |
| 5.1.3 调制类型识别 | 第53-54页 |
| 5.1.4 调制识别实验结果分析 | 第54-56页 |
| 5.2 基于ELCD信息熵的辐射源分类识别 | 第56-58页 |
| 5.3 基于ELCD和流形学习的辐射源分类识别 | 第58-61页 |
| 5.3.2 基于ELCD和流形学习特征分析步骤 | 第58-60页 |
| 5.3.3 雷达辐射源分类实验结果分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第70页 |