| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 论文的选题背景和研究意义 | 第9-10页 |
| 1.2 贝叶斯网络的发展和研究现状 | 第10-11页 |
| 1.2.1 贝叶斯网络发展概述 | 第10页 |
| 1.2.2 贝叶斯网络研究现状 | 第10-11页 |
| 1.3 转辙机故障诊断的研究现状 | 第11-12页 |
| 1.4 论文的主要内容和安排 | 第12-14页 |
| 2 贝叶斯网络理论 | 第14-27页 |
| 2.1 不确定推理 | 第14-15页 |
| 2.2 贝叶斯网络理论基础 | 第15-22页 |
| 2.2.1 概率论基础 | 第15-16页 |
| 2.2.2 先验概率的确定 | 第16-17页 |
| 2.2.3 贝叶斯网络概论 | 第17-22页 |
| 2.3 网络参数与结构的学习方法 | 第22-25页 |
| 2.3.1 参数学习 | 第22-24页 |
| 2.3.2 结构学习 | 第24-25页 |
| 2.4 推理算法 | 第25-26页 |
| 2.4.1 贝叶斯精确推理 | 第25-26页 |
| 2.4.2 贝叶斯近似推理 | 第26页 |
| 2.5 小结 | 第26-27页 |
| 3 基于贝叶斯网络的S700K型电动转辙机故障诊断 | 第27-45页 |
| 3.1 转辙机故障分析 | 第27-35页 |
| 3.1.1 转辙机的组成 | 第27页 |
| 3.1.2 控制电路及故障分析 | 第27-32页 |
| 3.1.3 机械装置及故障分析 | 第32-35页 |
| 3.2 转辙机故障诊断网络建模 | 第35-42页 |
| 3.2.1 转辙机故障知识的获取 | 第36-37页 |
| 3.2.2 建立故障诊断网络模型 | 第37-40页 |
| 3.2.3 参数学习及网络推理 | 第40-42页 |
| 3.3 算例验证与分析 | 第42-44页 |
| 3.4 小结 | 第44-45页 |
| 4 转辙机故障诊断模型优化 | 第45-65页 |
| 4.1 人工鱼群算法概述 | 第45-49页 |
| 4.1.1 人工鱼的结构模型 | 第45-47页 |
| 4.1.2 人工鱼的四种基本行为 | 第47-49页 |
| 4.2 基于人工鱼群算法的结构学习优化 | 第49-51页 |
| 4.2.1 编码设计 | 第49页 |
| 4.2.2 人工鱼状态初始化 | 第49-51页 |
| 4.3 人工鱼群算法的优化 | 第51-59页 |
| 4.3.1 禁忌搜索的鱼群算法改进 | 第51-53页 |
| 4.3.2 人工鱼个体优化 | 第53-55页 |
| 4.3.3 算例验证 | 第55-59页 |
| 4.4 基于人工鱼群算法的贝叶斯网络故障诊断 | 第59-64页 |
| 4.5 小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间的研究成果 | 第70页 |