基于ART神经网络案例匹配的轨道交通智能数据诊断技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-10页 |
| 图目录 | 第10-11页 |
| 表目录 | 第11-12页 |
| 1 绪论 | 第12-20页 |
| ·研究背景 | 第12-15页 |
| ·相似案例匹配方法的产生背景 | 第12-13页 |
| ·相似案例匹配方法的历史及研究进展 | 第13-14页 |
| ·相似案例匹配方法的特点 | 第14-15页 |
| ·选题的意义 | 第15-16页 |
| ·CBR的应用现状 | 第15-16页 |
| ·轨道交通数据诊断的发展现状 | 第16页 |
| ·论文的主要工作 | 第16-20页 |
| 2. CBR的基本原理 | 第20-25页 |
| ·CBR的理论基础 | 第20页 |
| ·CBR的一般过程 | 第20-23页 |
| ·案例的表示 | 第21页 |
| ·案例的检索 | 第21-22页 |
| ·案例的更新和复用 | 第22页 |
| ·案例调整、评估、学习及案例库维护 | 第22-23页 |
| ·CBR的工作原理 | 第23页 |
| ·相似度的计算 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 3. ART神经网络与对CBR的优化 | 第25-32页 |
| ·ART神经网络的概述 | 第25页 |
| ·ART神经网络的特点、分类及适用 | 第25-26页 |
| ·ART2神经网络模型 | 第26页 |
| ·ART2神经网络模型的学习原理 | 第26-27页 |
| ·ART2神经网络的算法过程 | 第27-29页 |
| ·ART神经网络对CBR的优化 | 第29-31页 |
| ·ART神经网络对案例检索的优化 | 第29页 |
| ·ART神经网络对案例推理的优化 | 第29-30页 |
| ·基于ART神经网络的案例库的建立 | 第30页 |
| ·ART神经网络对CBR案例库维护的优化 | 第30-31页 |
| ·ART神经网络对CBR案例调整的优化 | 第31页 |
| ·本章小结 | 第31-32页 |
| 4. 能耗设备故障数据的诊断 | 第32-54页 |
| ·城轨列车能耗设备数据监控方法 | 第32-33页 |
| ·城轨列车能耗设备故障监控的流程 | 第33页 |
| ·城轨列车能耗设备故障状态的辨识 | 第33-34页 |
| ·数据的预处理 | 第34页 |
| ·聚类处理 | 第34-35页 |
| ·仿真实验 | 第35-43页 |
| ·实验环境及数据样本 | 第35-37页 |
| ·实验步骤 | 第37页 |
| ·ART神经网络参数的确定 | 第37页 |
| ·ART神经网络参数的初始化 | 第37-38页 |
| ·阈值与警界参数对分类结果的影响 | 第38-40页 |
| ·网络分类验证 | 第40-43页 |
| ·对比试验 | 第43-50页 |
| ·BP网络算法过程及结果 | 第43-46页 |
| ·RBF网络算法过程及结果 | 第46-47页 |
| ·FP网络算法过程及结果 | 第47-49页 |
| ·ART2神经网络算法过程及结果 | 第49-50页 |
| ·对比试验结果 | 第50-53页 |
| ·查全率和查准率比较 | 第50-51页 |
| ·基于ART2的CBR方法的优点 | 第51页 |
| ·存在的问题 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 5. 城市轨道交通流量数据的诊断 | 第54-64页 |
| ·轨道交通流案例模型 | 第55页 |
| ·ART2神经网络对城轨交通流量数据的预测 | 第55-56页 |
| ·残差的获取 | 第55-56页 |
| ·ART2网络对残差的分类 | 第56页 |
| ·仿真研究 | 第56-58页 |
| ·对比试验 | 第58-61页 |
| ·模糊推理算法的过程 | 第59页 |
| ·粗糙推理算法的过程 | 第59-60页 |
| ·灰色关联推理算法的过程 | 第60-61页 |
| ·对比试验结果 | 第61-62页 |
| ·本章小结 | 第62-64页 |
| 6. 全文总结与展望 | 第64-66页 |
| ·全文总结 | 第64页 |
| ·本文的主要创新点 | 第64-65页 |
| ·研究展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 附录 | 第73页 |
