| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 绪论 | 第9-16页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 粘着故障分类的研究现状 | 第10-11页 |
| 1.2.2 机器学习分类的研究现状 | 第11-13页 |
| 1.3 有待进一步研究的问题 | 第13-14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第二章 粘着理论与粘着故障类型 | 第16-21页 |
| 2.1 粘着的基本理论 | 第16-18页 |
| 2.2 粘着故障类型 | 第18-19页 |
| 2.3 影响粘着特性的因素 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 参数优化的支持向量机机车粘着故障分类 | 第21-35页 |
| 3.1 支持向量机简介 | 第21-25页 |
| 3.2 改进的自适应变异粒子群算法 | 第25-28页 |
| 3.3 基于改进粒子群算法支持向量机的粘着故障分类 | 第28-29页 |
| 3.4 结果与分析 | 第29-34页 |
| 3.4.1 核函数的选择 | 第29页 |
| 3.4.2 标准支持向量机分类结果 | 第29-30页 |
| 3.4.3 代价敏感支持向量机分类结果 | 第30-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 核极限学习机的重载机车粘着故障分类 | 第35-43页 |
| 4.1 核极限学习机简介 | 第35-36页 |
| 4.2 基于核极限学习机的粘着故障分类框架 | 第36页 |
| 4.3 基于改进粒子群算法的模型参数优化 | 第36-39页 |
| 4.3.1 改进的粒子群算法 | 第37页 |
| 4.3.2 分类模型构建 | 第37-39页 |
| 4.4 结果与分析 | 第39-42页 |
| 4.4.1 离线实验 | 第39-41页 |
| 4.4.2 在线实验 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 深度降噪自编码的机车粘着故障分类 | 第43-51页 |
| 5.1 自动编码器简介 | 第43-45页 |
| 5.2 基于深度降噪自编码支持向量机的粘着故障分类 | 第45-48页 |
| 5.2.1 多分类的支持向量机 | 第45页 |
| 5.2.2 改进降噪自动编码器 | 第45-47页 |
| 5.2.3 深度降噪自编码的网络结构 | 第47页 |
| 5.2.4 深度降噪自编码支持向量机模型构建 | 第47-48页 |
| 5.3 结果与分析 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 结论与展望 | 第51-53页 |
| 6.1 全文结论 | 第51-52页 |
| 6.2 研究展望 | 第52-53页 |
| 参考文献 | 第53-59页 |
| 攻读学位期间主要的研究成果 | 第59-61页 |
| 致谢 | 第61页 |