| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 高铁信号故障诊断研究现状 | 第11-12页 |
| 1.2.2 聚类分析研究现状 | 第12-13页 |
| 1.2.3 聚类集成研究现状 | 第13-14页 |
| 1.3 本文主要研究内容和结构安排 | 第14-15页 |
| 第2章 相关理论基础概述 | 第15-26页 |
| 2.1 高铁信号故障诊断分析 | 第15-17页 |
| 2.1.1 高铁信号系统概要 | 第15页 |
| 2.1.2 故障诊断的概念与研究分析 | 第15-16页 |
| 2.1.3 故障诊断方法分类 | 第16-17页 |
| 2.2 聚类算法分析 | 第17-21页 |
| 2.2.1 聚类的概念与研究分析 | 第17-19页 |
| 2.2.2 聚类方法分类 | 第19-21页 |
| 2.3 聚类集成研究 | 第21-25页 |
| 2.3.1 基聚类成员的产生 | 第22-24页 |
| 2.3.2 共识函数的设计 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 高铁信号数据预处理 | 第26-36页 |
| 3.1 特征选择算法 | 第26-31页 |
| 3.1.1 特征选择方法分类 | 第26-28页 |
| 3.1.2 数据预处理算法和试验方案分析 | 第28-31页 |
| 3.2 数据预处理试验结果分析 | 第31-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于聚类集成技术的高铁信号故障诊断方法分析 | 第36-46页 |
| 4.1 基聚类算法 | 第36-40页 |
| 4.1.1 K-means算法 | 第36-37页 |
| 4.1.2 FCM算法 | 第37-38页 |
| 4.1.3 AP算法 | 第38-39页 |
| 4.1.4 高斯混合模型算法 | 第39-40页 |
| 4.2 集成算法 | 第40-43页 |
| 4.2.1 Cluster-based Similarity Partitioning Algorithm(CSPA算法) | 第41页 |
| 4.2.2 HyperGraph-Partitioning Algorithm(HGPA算法) | 第41-42页 |
| 4.2.3 Meta-CLustering Algorithm(MCLA算法) | 第42-43页 |
| 4.3 基于聚类集成的高铁信号故障诊断算法 | 第43-45页 |
| 4.3.1 算法总体框架分析 | 第43-44页 |
| 4.3.2 算法运行流程分析 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 实验结果与分析 | 第46-57页 |
| 5.1 实验数据集 | 第46-49页 |
| 5.2 实验评价标准 | 第49-50页 |
| 5.3 实验结果分析 | 第50-56页 |
| 5.3.1 基于基聚类算法的高铁信号故障诊断试验结果分析 | 第50-53页 |
| 5.3.2 基于聚类集成算法的高铁信号故障诊断实验结果分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 总结与展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及参与的科研项目 | 第64页 |
