| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 列车故障诊断技术研究现状 | 第12-13页 |
| 1.2.2 分布式SVM研究现状 | 第13-14页 |
| 1.3 本文研究内容和章节安排 | 第14-15页 |
| 第二章 应用平台与相关原理的介绍 | 第15-25页 |
| 2.1 Hadoop分布式平台 | 第15-20页 |
| 2.1.1 Hadoop简述 | 第15-16页 |
| 2.1.2 Hadoop的分布式文件系统—HDFS | 第16-18页 |
| 2.1.3 MapReduce并行编程框架 | 第18-20页 |
| 2.2 支持向量机 | 第20-24页 |
| 2.2.1 线性分类 | 第20-23页 |
| 2.2.2 核函数 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 基于并行计算的分布式SVM算法 | 第25-36页 |
| 3.1 分布式SVM算法 | 第25-28页 |
| 3.1.1 算法背景 | 第25页 |
| 3.1.2 层叠SVM算法 | 第25-28页 |
| 3.1.3 算法缺陷 | 第28页 |
| 3.2 分布式SVM的优化 | 第28-29页 |
| 3.3 多种分布式SVM模拟实验与对比 | 第29-35页 |
| 3.3.1 分组SVM模拟实验 | 第30-33页 |
| 3.3.2 CascadeSVM模拟实验 | 第33-34页 |
| 3.3.3 分布式SVM模拟实验 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于Hadoop平台的分布式SVM实现 | 第36-45页 |
| 4.1 并行思路设计 | 第36-37页 |
| 4.1.1 数据并行 | 第36页 |
| 4.1.2 GPU加速 | 第36页 |
| 4.1.3 集群 | 第36-37页 |
| 4.2 MapReduce下的特征提取 | 第37-38页 |
| 4.3 基于Hadoop的分布式SVM的实现 | 第38-42页 |
| 4.4 分布式SVM算法在手写字体库中的验证 | 第42-44页 |
| 4.4.1 实验环境 | 第42-43页 |
| 4.4.2 实验数据 | 第43页 |
| 4.4.3 实验步骤 | 第43页 |
| 4.4.4 实验结果 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 分布式SVM在在高速列车故障诊断中的应用 | 第45-59页 |
| 5.1 高速列车动力学仿真模型 | 第45-47页 |
| 5.1.1 高速列车转向架结构 | 第45-46页 |
| 5.1.2 高速列车监测数据仿真 | 第46-47页 |
| 5.2 高速列车振动信号分析 | 第47-48页 |
| 5.3 基于EEMD方法的特征提取 | 第48-53页 |
| 5.3.1 EEMD基本理论 | 第48-49页 |
| 5.3.2 特征提取 | 第49-53页 |
| 5.4 基于分布式SVM算的的列车故障诊断 | 第53-58页 |
| 5.4.1 单一工况故障 | 第53-54页 |
| 5.4.2 故障定位 | 第54-56页 |
| 5.4.3 诊断结果与对比 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 总结与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的学术论文和参与的项目 | 第67页 |