| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 列车故障诊断技术研究现状 | 第13-14页 |
| 1.2.2 雷达辐射源分选识别技术研究现状 | 第14-15页 |
| 1.2.3 深度学习研究现状 | 第15-16页 |
| 1.3 本文研究内容和章节安排 | 第16-17页 |
| 第二章 深度学习概述 | 第17-28页 |
| 2.1 深度学习思想 | 第17-20页 |
| 2.1.1 深层学习与浅层学习 | 第17-18页 |
| 2.1.2 深度学习的基本思想 | 第18-19页 |
| 2.1.3 深度学习的训练过程 | 第19-20页 |
| 2.2 深度学习模型 | 第20-27页 |
| 2.2.1 深度自动编码器 | 第20-22页 |
| 2.2.2 卷积神经网络 | 第22-23页 |
| 2.2.3 受限玻尔兹曼机 | 第23-26页 |
| 2.2.4 深度信念网络 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于Hadoop的并行化深度学习算法 | 第28-40页 |
| 3.1 并行化设计思路 | 第28-29页 |
| 3.1.1 数据并行与模型并行 | 第28-29页 |
| 3.1.2 GPU加速 | 第29页 |
| 3.1.3 计算集群 | 第29页 |
| 3.2 Hadoop概述 | 第29-32页 |
| 3.3 并行化深度信念网络在Hadoop上的实现 | 第32-36页 |
| 3.4 并行化深度学习在手写字体库中的验证 | 第36-39页 |
| 3.4.1 实验环境 | 第36-37页 |
| 3.4.2 数据介绍 | 第37页 |
| 3.4.3 模型参数设置思路 | 第37页 |
| 3.4.4 实验结果分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 并行化深度学习在高速列车故障诊断中的应用 | 第40-48页 |
| 4.1 高速列车动力学仿真模型 | 第40-42页 |
| 4.1.1 高速列车转向架结构 | 第40-41页 |
| 4.1.2 高速列车监测数据仿真 | 第41-42页 |
| 4.2 高速列车振动信号分析 | 第42-43页 |
| 4.3 基于DBN的高速列车故障诊断 | 第43-47页 |
| 4.3.1 基于DBN的高速列车故障诊断模型 | 第43-44页 |
| 4.3.2 基于DBN的高速列车监测数据特征提取 | 第44-45页 |
| 4.3.3 基于DBN的高速列车故障诊断结果 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 并行化深度学习在雷达辐射源信号识别中的应用 | 第48-57页 |
| 5.1 雷达辐射源信号分选识别概述 | 第48-49页 |
| 5.2 基于DBN的雷达辐射源分选识别模型 | 第49-50页 |
| 5.3 实验数据介绍 | 第50-53页 |
| 5.4 实验结果 | 第53-55页 |
| 5.4.1 特征分析 | 第53-54页 |
| 5.4.2 分选识别结果 | 第54-55页 |
| 5.5 本章小结 | 第55-57页 |
| 总结与展望 | 第57-58页 |
| 总结 | 第57页 |
| 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学术论文和参与的项目 | 第64页 |