| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 研究现状 | 第11-14页 |
| 1.2.2 存在的问题 | 第14页 |
| 1.3 课题研究的目的与意义 | 第14-15页 |
| 1.4 主要研究内容与贡献 | 第15-16页 |
| 1.5 论文结构安排 | 第16-18页 |
| 第二章 时间序列挖掘相关技术介绍 | 第18-30页 |
| 2.1 聚类分析 | 第18-19页 |
| 2.2 HMM模型 | 第19-26页 |
| 2.2.1 HMM基础 | 第19-20页 |
| 2.2.2 HMM的基本问题和算法 | 第20-26页 |
| 2.3 HMM相关知识扩展 | 第26-28页 |
| 2.3.1 扩展型Viterbi算法 | 第26-27页 |
| 2.3.2 高斯混合HMM | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于聚类结果的HMM模型 | 第30-50页 |
| 3.1 CHMM的框架结构 | 第30-33页 |
| 3.2 CHMM模型详细介绍 | 第33-40页 |
| 3.2.1 空间聚类算法 | 第33-35页 |
| 3.2.2 CHMM的初始化 | 第35-36页 |
| 3.2.3 State-Finder算法获取最佳序列 | 第36-39页 |
| 3.2.4 参数λ的迭代更新 | 第39-40页 |
| 3.2.5 语义信息的获取 | 第40页 |
| 3.3 实验与评估 | 第40-48页 |
| 3.3.1 数据集与实验环境 | 第40-41页 |
| 3.3.2 结果与评估 | 第41-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第四章 基于状态的HMM诊断与预测模型 | 第50-66页 |
| 4.1 SHMM-DP模型的整体框架 | 第50-52页 |
| 4.2 SHMM-DP模型的详细介绍 | 第52-58页 |
| 4.2.1 对状态进行HMM建模 | 第52-54页 |
| 4.2.2 基于线性回归的剩余寿命预测方法 | 第54-56页 |
| 4.2.3 故障原因推理 | 第56-58页 |
| 4.3 实验与评估 | 第58-64页 |
| 4.3.1 数据集与实验环境 | 第58页 |
| 4.3.2 结果与评估 | 第58-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 本文工作总结 | 第66-67页 |
| 5.2 未来工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间发表或已录用的学位论文 | 第73页 |