| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 转向架故障诊断研究现状 | 第11-12页 |
| 1.2.2 多分类问题的研究现状 | 第12-13页 |
| 1.2.3 SVM参数优化研究现状 | 第13页 |
| 1.2.4 融合决策的故障诊断研究现状 | 第13-14页 |
| 1.3 转向架关键部件及数据仿真介绍 | 第14-17页 |
| 1.3.1 转向架关键部件 | 第14-16页 |
| 1.3.2 转向架故障工况 | 第16-17页 |
| 1.3.3 数据仿真介绍 | 第17页 |
| 1.4 本文研究的主要内容 | 第17-19页 |
| 第2章 高速列车转向架故障特征提取 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 相关理论 | 第19-22页 |
| 2.2.1 EEMD分解理论 | 第19-20页 |
| 2.2.2 相关系数法 | 第20页 |
| 2.2.3 近似熵原理 | 第20-21页 |
| 2.2.4 模糊熵原理 | 第21-22页 |
| 2.3 实验结果与分析 | 第22-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于多层次分类的IWO-SVM转向架故障诊断 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 相关理论 | 第27-32页 |
| 3.2.1 多层次分类方法 | 第27-29页 |
| 3.2.2 基于核方法的K-means聚类分析 | 第29-30页 |
| 3.2.3 入侵杂草算法优化支持向量 | 第30-32页 |
| 3.3 多层次分类框架 | 第32-33页 |
| 3.4 实验结果 | 第33-40页 |
| 3.4.1 层次构建结果 | 第33-36页 |
| 3.4.2 基于IWO的SVM参数优化 | 第36-39页 |
| 3.4.3 单故障分类识别 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于证据推理规则融合决策的转向架故障诊断 | 第41-57页 |
| 4.1 引言 | 第41页 |
| 4.2 证据推理规则理论 | 第41-45页 |
| 4.2.1 证据获取方法 | 第42-43页 |
| 4.2.2 证据可靠性因子获取方法 | 第43-44页 |
| 4.2.3 证据重要性权重训练 | 第44-45页 |
| 4.3 多通道决策融合框架 | 第45-47页 |
| 4.4 实验结果 | 第47-55页 |
| 4.4.1 求取证据及其可靠性因子 | 第47-52页 |
| 4.4.2 求取证据重要性权重 | 第52-55页 |
| 4.4.3 多通道决策融合结果 | 第55页 |
| 4.5 本章小结 | 第55-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文 | 第63页 |