摘要 | 第10-12页 |
ABSTRACT | 第12-14页 |
第一章 绪论 | 第15-35页 |
1.1 研究背景 | 第15-22页 |
1.1.1 卫星的发展趋势 | 第15-17页 |
1.1.2 卫星故障诊断 | 第17-20页 |
1.1.3 卫星故障诊断面临的问题和挑战 | 第20-22页 |
1.2 相关研究 | 第22-29页 |
1.2.1 卫星故障诊断技术分类 | 第22-25页 |
1.2.2 基于数据驱动的卫星故障诊断 | 第25-29页 |
1.3 本文的主要贡献 | 第29-32页 |
1.4 本文的结构安排 | 第32-35页 |
第二章 面向卫星异常检测的相似度比较算法的并行化 | 第35-53页 |
2.1 前言 | 第35-36页 |
2.2 相关研究 | 第36-37页 |
2.3 问题描述 | 第37-39页 |
2.3.1 时间序列相似性 | 第37-38页 |
2.3.2 动态时间弯曲 (Dynamic Time Warping) | 第38-39页 |
2.4 DTW的并行及优化 | 第39-43页 |
2.4.1 DTW算法的并行化 | 第39-41页 |
2.4.2 弯曲路径的选择 | 第41-42页 |
2.4.3 弯曲路径并行搜索的优化 | 第42-43页 |
2.5 DTW并行算法——MRDTW的实现 | 第43-44页 |
2.6 实验分析 | 第44-52页 |
2.6.1 数据准备 | 第44-45页 |
2.6.2 MRDTW的效率 | 第45-47页 |
2.6.3 MRDTW在长时间序列上的表现 | 第47-49页 |
2.6.4 MRDTW的准确性 | 第49-52页 |
2.7 结论 | 第52-53页 |
第三章 面向卫星故障诊断规则挖掘的时序数据符号化 | 第53-71页 |
3.1 前言 | 第53-54页 |
3.2 问题描述 | 第54-55页 |
3.3 超长时间序列的分割机制——Two-step segmentation mechanism | 第55-58页 |
3.3.1 基于累积和控制图的关键点寻找方法 | 第55-57页 |
3.3.2 并行自适应分割算法 | 第57-58页 |
3.4 基于趋势特征的时间序列符号化方法(TFSA) | 第58-67页 |
3.4.1 子序列的趋势特征 | 第60-64页 |
3.4.2 符号序列的距离度量 | 第64-65页 |
3.4.3 时间序列的趋势符号 | 第65-67页 |
3.5 实验分析 | 第67-69页 |
3.5.1 Two-step segmentation mechanism的效率 | 第67-68页 |
3.5.2 TFSA算法的准确性 | 第68-69页 |
3.6 结论 | 第69-71页 |
第四章 面向卫星故障诊断的Apriori算法的并行化 | 第71-83页 |
4.1 前言 | 第71-72页 |
4.2 相关研究工作 | 第72-75页 |
4.2.1 关联规则的基本概念 | 第72-73页 |
4.2.2 关联规则的分类及经典算法 | 第73-75页 |
4.3 Apriori算法并行化 | 第75-77页 |
4.3.1 Apriori算法并行化的问题 | 第75页 |
4.3.2 Apriori算法的Map Reduce实现 | 第75-77页 |
4.4 面向小样本故障数据的Apriori并行算法优化 | 第77-78页 |
4.5 实验分析 | 第78-80页 |
4.6 结论 | 第80-83页 |
第五章 基于支持向量机混合投票机制的卫星故障识别方法 | 第83-101页 |
5.1 前言 | 第83-84页 |
5.2 相关研究 | 第84-87页 |
5.2.1 基于SVM的故障诊断 | 第84-86页 |
5.2.2 组合分类器 | 第86-87页 |
5.3 问题描述 | 第87-90页 |
5.4 混合投票机制 (Hybrid Voting Mechanism) | 第90-95页 |
5.4.1 故障相关性 | 第90-92页 |
5.4.2 基于SVM混合投票机制——HVM-SVM的实现 | 第92-95页 |
5.5 实验分析 | 第95-100页 |
5.5.1 单一故障模型 | 第95页 |
5.5.2 多故障模型 | 第95-97页 |
5.5.3 HVM-SVM的精确度 | 第97-100页 |
5.6 结论 | 第100-101页 |
第六章 总结和展望 | 第101-103页 |
致谢 | 第103-105页 |
参考文献 | 第105-119页 |
作者在学期间取得的学术成果 | 第119-123页 |
攻读博士学位期间参与的科研项目 | 第123页 |