| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1. 绪论 | 第12-20页 |
| 1.1. 研究背景及研究意义 | 第12-13页 |
| 1.1.1. 研究背景 | 第12页 |
| 1.1.2. 研究意义 | 第12-13页 |
| 1.2. 文献综述 | 第13-16页 |
| 1.2.1. 国外研究粗糙集在故障分析中的应用现状 | 第13-14页 |
| 1.2.2. 国内研究粗糙集在故障分析中的应用现状 | 第14-15页 |
| 1.2.3. 国内外文献研究评述 | 第15-16页 |
| 1.3. 研究结构框架和创新点 | 第16-18页 |
| 1.3.1. 研究结构框架 | 第16-17页 |
| 1.3.2. 本文创新点 | 第17-18页 |
| 1.4. 研究方法和技术路线 | 第18-20页 |
| 2. 相关理论基础 | 第20-29页 |
| 2.1. 粗糙集理论 | 第20-26页 |
| 2.1.1. 粗糙集理论的特点 | 第20-21页 |
| 2.1.2. 决策表的构建 | 第21-22页 |
| 2.1.3. 条件属性与决策属性的灰色关联度 | 第22-23页 |
| 2.1.4. 属性约简结果的获取 | 第23-26页 |
| 2.2. 数据离散化 | 第26-28页 |
| 2.2.1. 数据离散化的意义 | 第26页 |
| 2.2.2. 数据离散化方法 | 第26-28页 |
| 2.3. 本章小结 | 第28-29页 |
| 3. 公交车辆关键故障信息模型构建 | 第29-38页 |
| 3.1. 公交车辆关键故障信息模型 | 第29-34页 |
| 3.1.1. 公交车辆关键故障信息模型描述 | 第29-31页 |
| 3.1.2. 公交车辆关键故障信息分析决策表 | 第31-32页 |
| 3.1.3. 公交车辆关键故障信息中的连续属性离散化 | 第32-33页 |
| 3.1.4. 属性约简与决策规则的提取 | 第33-34页 |
| 3.2. 公交车辆关键故障信息模型优化 | 第34-37页 |
| 3.2.1. 元胞自动机理论与CAN-BUS数据的结合 | 第35-36页 |
| 3.2.2. 基于元胞遗传算法的属性约简流程 | 第36-37页 |
| 3.3. 本章小结 | 第37-38页 |
| 4. 公交车辆关键故障信息应用实例 | 第38-61页 |
| 4.1. 数据预处理 | 第38-44页 |
| 4.1.1. 数据介绍 | 第38-40页 |
| 4.1.2. 故障点的选取 | 第40-42页 |
| 4.1.3. 模型所需数据获取 | 第42-44页 |
| 4.2. 决策表的构建和连续数据的离散 | 第44-47页 |
| 4.2.1. 决策表的构建 | 第44-46页 |
| 4.2.2. 连续属性的离散 | 第46-47页 |
| 4.3. 属性约简结果 | 第47-52页 |
| 4.3.1. 基于遗传算法的属性约简结果 | 第47-49页 |
| 4.3.2. 基于元胞遗传算法的属性约减结果 | 第49-52页 |
| 4.4. 遗传算法和元胞遗传算法属性约简的检验与比较 | 第52-60页 |
| 4.4.1. 两种算法的效率和稳定性比较 | 第52-55页 |
| 4.4.2. 规则匹配度的检验和比较 | 第55-60页 |
| 4.5. 本章小结 | 第60-61页 |
| 5. 公交车辆关键故障信息可视化 | 第61-70页 |
| 5.1. 关键故障信息可视化需求分析 | 第61-63页 |
| 5.1.1. 关键故障信息实时展示需求分析 | 第61-62页 |
| 5.1.2. 关键故障信息不同时段展示需求分析 | 第62页 |
| 5.1.3. 关键故障信息月均值展示需求分析 | 第62-63页 |
| 5.2. 数据库表设计 | 第63-65页 |
| 5.3. 关键故障信息可视化展示 | 第65-69页 |
| 5.3.1. 关键故障信息实时展示 | 第65-66页 |
| 5.3.2. 关键故障信息不同时段展示 | 第66-67页 |
| 5.3.3. 关键故障信息月均值展示 | 第67-69页 |
| 5.4. 本章小结 | 第69-70页 |
| 6. 结论与展望 | 第70-72页 |
| 6.1. 全文总结 | 第70页 |
| 6.2. 研究展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |
