| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-28页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-25页 |
| 1.2.1 高速道岔损伤监测技术 | 第14-17页 |
| 1.2.2 不确定条件下结构损伤识别方法研究现状 | 第17-21页 |
| 1.2.3 粗糙集特征选择研究进展 | 第21-25页 |
| 1.3 研究内容及研究目标 | 第25-27页 |
| 1.3.1 研究目标 | 第25页 |
| 1.3.2 主要内容 | 第25-26页 |
| 1.3.3 技术路线 | 第26-27页 |
| 1.4 论文结构安排 | 第27-28页 |
| 第2章 高速道岔损伤试验 | 第28-37页 |
| 2.1 高速道岔的结构特点 | 第28-29页 |
| 2.2 高速铁路道岔钢轨无损检测方法 | 第29-32页 |
| 2.3 高速道岔损伤试验方案 | 第32-36页 |
| 2.3.1 试验背景及数据来源 | 第32页 |
| 2.3.2 试验环境与方案 | 第32-34页 |
| 2.3.3 高速道岔振动信号时频域分析 | 第34-36页 |
| 本章小结 | 第36-37页 |
| 第3章 基于EEMD的高速道岔损伤特征量提取 | 第37-59页 |
| 3.1 基于EEMD的结构损伤识别原理 | 第37-46页 |
| 3.1.1 经验模态分解基本概念 | 第37-41页 |
| 3.1.2 聚合经验模态分解 | 第41-42页 |
| 3.1.3 IMF的完备性与正交性 | 第42-43页 |
| 3.1.4 结构模态参数与响应信号频谱分布 | 第43-44页 |
| 3.1.5 IMF分量与模态响应关系 | 第44-46页 |
| 3.2 基于EEMD的高速道岔信号分解 | 第46-49页 |
| 3.3 相关系数法与EEMD虚假分量分解剔除 | 第49-50页 |
| 3.4 高速道岔损伤特征提取 | 第50-53页 |
| 3.4.1 基于EEMD的能量比 | 第50-51页 |
| 3.4.2 基于EEMD的奇异熵 | 第51-52页 |
| 3.4.3 基于EEMD的能量奇异熵 | 第52-53页 |
| 3.5 损伤特征参量选择的衡量指标 | 第53-55页 |
| 3.6 能量奇异熵特征分析 | 第55-58页 |
| 本章小结 | 第58-59页 |
| 第4章 基于粗糙集的损伤特征离散化方法研究 | 第59-72页 |
| 4.1 粗糙集离散化方法基本概念 | 第59-60页 |
| 4.2 连续属性离散化方法 | 第60-64页 |
| 4.2.1 改进的NaiveScaler离散化方法 | 第60-61页 |
| 4.2.2 基于正域的全局监督离散化方法 | 第61-64页 |
| 4.3 高速道岔的损伤识别决策表 | 第64-69页 |
| 4.4 高速道岔损伤特征离散化 | 第69-71页 |
| 本章小结 | 第71-72页 |
| 第5章 基于粗糙集属性约简的高速道岔损伤特征选择 | 第72-100页 |
| 5.1 粗糙集属性约简基本概念 | 第72-75页 |
| 5.1.1 知识表达 | 第72-74页 |
| 5.1.2 属性约简 | 第74页 |
| 5.1.3 依赖度与属性重要性 | 第74-75页 |
| 5.2 基于差别矩阵的粗糙集属性约简 | 第75-83页 |
| 5.2.1 差别矩阵 | 第75-76页 |
| 5.2.2 基于幂图的属性约简 | 第76-80页 |
| 5.2.3 基于幂图的属性约简搜索算法 | 第80-81页 |
| 5.2.4 实验分析 | 第81-83页 |
| 5.3 基于人工鱼群算法的极小属性约简 | 第83-94页 |
| 5.3.1 人工鱼群算法 | 第83-86页 |
| 5.3.2 基于人工鱼群属性约简算法的适应度函数 | 第86-90页 |
| 5.3.3 极小属性约简的解空间划分策略 | 第90-94页 |
| 5.4 基于粗糙集属性约简的高速道岔损伤特征选择 | 第94-98页 |
| 5.4.1 高速道岔损伤特征选择 | 第94-95页 |
| 5.4.2 基于粗糙集的高速道岔损伤决策规则提取 | 第95-98页 |
| 本章小结 | 第98-100页 |
| 第6章 基于粗糙集与RBF神经网络的高速道岔损伤识别模型 | 第100-121页 |
| 6.1 基本概念 | 第100-105页 |
| 6.1.1 k-均值聚类算法 | 第100-102页 |
| 6.1.2 RBF神经网络基本概念 | 第102-105页 |
| 6.2 基于均匀分布改进的粗糙k-均值算法 | 第105-111页 |
| 6.2.1 边界对象的权重 | 第106-107页 |
| 6.2.2 边界对象权重的计算 | 第107-108页 |
| 6.2.3 算法描述 | 第108-109页 |
| 6.2.4 复杂度分析 | 第109-110页 |
| 6.2.5 仿真实验分析 | 第110-111页 |
| 6.3 粗糙集意义下的RBF神经网络设计 | 第111-114页 |
| 6.3.1 粗糙集意义下的RBF神经网络的结构 | 第111-112页 |
| 6.3.2 RBF神经网络学习算法 | 第112-114页 |
| 6.4 基于粗糙集与RBF神经网络的高速道岔损伤识别模型 | 第114-119页 |
| 6.4.1 模型构建 | 第114页 |
| 6.4.2 试验仿真分析 | 第114-119页 |
| 本章小结 | 第119-121页 |
| 结论与展望 | 第121-123页 |
| 1 论文工作总结 | 第121-122页 |
| 2 展望 | 第122-123页 |
| 致谢 | 第123-124页 |
| 参考文献 | 第124-137页 |
| 攻读博士学位期间发表的论文及科研成果 | 第137页 |
