| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究内容及创新点 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 2 理论基础及相关技术介绍 | 第18-33页 |
| 2.1 数据挖掘技术 | 第18-20页 |
| 2.1.1 数据挖掘简介 | 第18-19页 |
| 2.1.2 数据挖掘过程 | 第19-20页 |
| 2.2 关联规则挖掘 | 第20-22页 |
| 2.2.1 关联规则基本概念 | 第20-21页 |
| 2.2.2 关联规则挖掘一般过程 | 第21-22页 |
| 2.3 关联规则挖掘算法介绍 | 第22-29页 |
| 2.3.1 关联规则分析相关算法 | 第22-24页 |
| 2.3.2 FP-Growth算法原理 | 第24-28页 |
| 2.3.3 关联规则的评价方法 | 第28-29页 |
| 2.4 高速列车转向架自动化装配生产线 | 第29-32页 |
| 2.4.1 转向架装配生产线基本组成 | 第29-30页 |
| 2.4.2 柔索吊装机器人介绍 | 第30页 |
| 2.4.3 柔索吊装机器人告警类型 | 第30-32页 |
| 2.5 人工萤火虫(GSO)算法概述 | 第32页 |
| 2.6 本章总结 | 第32-33页 |
| 3 带延迟参数的变化窗口数据离散化方法 | 第33-40页 |
| 3.1 报警数据的预处理 | 第33-35页 |
| 3.1.1 数据分析处理 | 第33-34页 |
| 3.1.2 数据合并 | 第34-35页 |
| 3.2 带延迟参数的变化窗口数据离散化方法 | 第35-39页 |
| 3.2.1 常用时间序列数据离散化方法 | 第35-36页 |
| 3.2.2 滑动窗口离散化方法的改进 | 第36-39页 |
| 3.2.3 实验分析 | 第39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于GSO算法的OFP-Growth算法优化 | 第40-54页 |
| 4.1 GSO算法分析 | 第40-44页 |
| 4.1.1 萤火虫位置分布初始化步骤 | 第41-42页 |
| 4.1.2 萤火虫亮度更新步骤 | 第42页 |
| 4.1.3 萤火虫目标选择及移动步骤 | 第42-43页 |
| 4.1.4 萤火虫决策域更新步骤 | 第43页 |
| 4.1.5 萤火虫算法相关参数设置 | 第43-44页 |
| 4.2 基于FP-Growth算法的OFP-Growth改进算法 | 第44-45页 |
| 4.2.1 带有顺序性的频繁集挖掘 | 第44-45页 |
| 4.2.2 关联规则发现 | 第45页 |
| 4.3 融合优化算法GSO-OFP-Growth | 第45-47页 |
| 4.3.1 GSO-OFP-Growth算法原理 | 第45-46页 |
| 4.3.2 GSO-OFP-Growth算法过程描述 | 第46-47页 |
| 4.4 实验验证 | 第47-53页 |
| 4.4.1 实验数据 | 第47-48页 |
| 4.4.2 评价指标 | 第48页 |
| 4.4.3 OFP-Growth算法验证 | 第48-49页 |
| 4.4.4 GSO-OFP-Growth算法验证 | 第49-52页 |
| 4.4.5 带延迟参数的变化窗口数据离散化方法验证 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 复合告警关联性分析应用系统实现 | 第54-61页 |
| 5.1 系统主要应用技术及运行环境 | 第54页 |
| 5.2 系统架构及实现 | 第54-60页 |
| 5.2.1 数据存储模块 | 第56-57页 |
| 5.2.2 数据处理模块 | 第57-58页 |
| 5.2.3 关联规则分析模块 | 第58-59页 |
| 5.2.4 结果展示模块 | 第59-60页 |
| 5.3 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |
