| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 轨道高低不平顺监测技术现状 | 第16-17页 |
| 1.2.2 轨道不平顺激扰下的车辆系统动力响应研究现状 | 第17-18页 |
| 1.2.3 铁路线路状态智能识别研究现状 | 第18-20页 |
| 1.3 本文的主要工作 | 第20-21页 |
| 第2章 车辆－板式无砟轨道垂向耦合动力学模型 | 第21-37页 |
| 2.1 车辆－轨道垂向耦合动力学模型 | 第21-23页 |
| 2.2 车辆－板式无砟轨道系统振动微分方程 | 第23-27页 |
| 2.2.1 车辆系统振动微分方程 | 第23-24页 |
| 2.2.2 钢轨振动微分方程 | 第24-25页 |
| 2.2.3 板式无砟轨道结构振动微分方程 | 第25-27页 |
| 2.2.4 车辆－轨道垂向耦合关系 | 第27页 |
| 2.3 系统振动方程的矩阵形式 | 第27-32页 |
| 2.4 数值积分方法 | 第32-33页 |
| 2.5 模型仿真计算参数 | 第33-34页 |
| 2.6 数值仿真程序验证 | 第34-35页 |
| 2.7 本章小结 | 第35-37页 |
| 第3章 基于神经网络的智能识别模型及构建方法 | 第37-51页 |
| 3.1 模式识别的理论基础 | 第37-38页 |
| 3.1.1 模式的描述方法 | 第37页 |
| 3.1.2 模式识别系统 | 第37-38页 |
| 3.2 神经网络概述 | 第38-44页 |
| 3.2.1 人工神经元模型 | 第38-40页 |
| 3.2.2 人工神经网络的特点 | 第40页 |
| 3.2.3 人工神经网络的结构 | 第40-42页 |
| 3.2.4 神经网络的学习方式 | 第42-44页 |
| 3.3 BP神经网络 | 第44-46页 |
| 3.3.1 BP神经网络的拓扑结构及其特点 | 第44-45页 |
| 3.3.2 BP网络的算法原理 | 第45-46页 |
| 3.3.3 BP神经网络的设计方法 | 第46页 |
| 3.4 径向基函数神经网络 | 第46-48页 |
| 3.4.1 RBF神经网络的拓扑结构及其特点 | 第47-48页 |
| 3.4.2 RBF神经网络的原理与性能 | 第48页 |
| 3.5 神经网络工具箱 | 第48-50页 |
| 3.5.1 时间序列预测工具 | 第48-49页 |
| 3.5.2 模式识别工具 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 车辆系统在典型轨道谐波型不平顺激扰下的动力响应特征 | 第51-72页 |
| 4.1 轨道几何不平顺模型 | 第51-54页 |
| 4.1.1 谐波型不平顺仿真模型 | 第51-53页 |
| 4.1.2 谐波型不平顺激励的输入方法 | 第53-54页 |
| 4.2 谐波型不平顺激扰作用下高速车辆系统的动力响应特征 | 第54-62页 |
| 4.2.1 谐波型不平顺激扰下车轨系统动力响应的基本特征 | 第54-55页 |
| 4.2.2 车轨耦合系统动力学响应随不平顺波长的变化规律 | 第55-58页 |
| 4.2.3 车轨耦合系统动力学响应随不平顺幅值的变化规律 | 第58-60页 |
| 4.2.4 车辆耦合系统动力学响应随不平顺波数的变化规律 | 第60-62页 |
| 4.3 车辆系统动力响应域估计 | 第62-67页 |
| 4.3.1 车辆系统部件动力响应域估计模型 | 第63页 |
| 4.3.2 用于域估计的统计方法模型 | 第63-64页 |
| 4.3.3 车辆系统部件动力响应指标的概率分布 | 第64-66页 |
| 4.3.4 车辆系统部件动力响应指标域的划分 | 第66-67页 |
| 4.4 车辆系统动力响应与谐波不平顺相关性分析 | 第67-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第5章 基于神经网络的高速铁路线路几何状态识别研究 | 第72-92页 |
| 5.1 时间序列预测识别模型 | 第72-76页 |
| 5.1.1 谐波型不平顺波长的预测识别 | 第73-74页 |
| 5.1.2 谐波型不平顺幅值的预测识别 | 第74-76页 |
| 5.2 基于模式识别的轨道几何状态识别模型 | 第76-82页 |
| 5.2.1 基于神经网络识别波长的模型一 | 第76-78页 |
| 5.2.2 基于神经网络识别波长的模型二 | 第78-80页 |
| 5.2.3 基于神经网络识别波长的模型三 | 第80-82页 |
| 5.3 基于BP神经网络的识别模型 | 第82-84页 |
| 5.4 基于径向基神经网络的识别方法 | 第84-90页 |
| 5.4.1 基于径向基网络的谐波不平顺波长识别 | 第84-88页 |
| 5.4.2 基于径向基网络的不平顺幅值的识别 | 第88-90页 |
| 5.5 识别方法对比分析 | 第90页 |
| 5.6 本章小结 | 第90-92页 |
| 结论与展望 | 第92-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-100页 |
| 攻读硕士学位期间发表的论文及参加科研项目情况 | 第100页 |
