| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 故障诊断研究现状 | 第12-13页 |
| 1.2.2 深度学习研究现状 | 第13-14页 |
| 1.2.3 云计算研究现状 | 第14-15页 |
| 1.3 本文主要内容与结构安排 | 第15-17页 |
| 第2章 高速列车走行部故障类型及特性分析 | 第17-26页 |
| 2.1 高速列车走行部相关介绍 | 第17-18页 |
| 2.2 高速列车走行部运行工况和实验数据 | 第18-20页 |
| 2.2.1 列车走行部七种运行工况 | 第18-19页 |
| 2.2.2 数据介绍 | 第19-20页 |
| 2.3 高速列车振动信号分析 | 第20-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于FFT-DBNS的列车走行部故障诊断 | 第26-36页 |
| 3.1 训练DBNs模型 | 第26-29页 |
| 3.1.1 RBM原理介绍 | 第26-28页 |
| 3.1.2 DBNs原理介绍 | 第28-29页 |
| 3.2 FFT-DBNs高速列车故障诊断模型 | 第29-30页 |
| 3.3 高速列车故障诊断仿真实验 | 第30-35页 |
| 3.3.1 基于FFT-DBNs的特征提取 | 第30-32页 |
| 3.3.2 基于FFT-DBNs的故障诊断 | 第32-34页 |
| 3.3.3 模拟真实环境 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于改进深度学习算法的列车走行部故障诊断 | 第36-49页 |
| 4.1 基于改进DBNs的高速列车走行部故障诊断 | 第36-40页 |
| 4.1.1 K最近邻算法 | 第36-37页 |
| 4.1.2 基于K-DBNs的列车走行部故障诊断模型 | 第37-38页 |
| 4.1.3 实验结果与分析 | 第38-40页 |
| 4.2 基于SupDBNs的列车走行部特征提取及故障诊断 | 第40-48页 |
| 4.2.1 梯度下降算法 | 第40-42页 |
| 4.2.2 Fisher比率理论 | 第42-43页 |
| 4.2.3 训练SupDBNs模型 | 第43-45页 |
| 4.2.4 实验结果与分析 | 第45-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 基于云计算的深度学习算法实现及故障诊断 | 第49-59页 |
| 5.1 云计算技术介绍 | 第49-52页 |
| 5.1.1 云计算的基本架构 | 第49-50页 |
| 5.1.2 Hadoop平台 | 第50页 |
| 5.1.3 Apache Spark | 第50页 |
| 5.1.4 RDD编程模型 | 第50-52页 |
| 5.2 基于Spark的并行故障诊断算法设计 | 第52-55页 |
| 5.3 并行算法实验分析 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |