| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 轨道电路故障诊断的研究现状 | 第9-11页 |
| 1.2.2 信息融合技术的研究现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 轨道电路数据预处理 | 第14-28页 |
| 2.1 轨道电路概述 | 第14-15页 |
| 2.2 轨道电路常见故障分析 | 第15-16页 |
| 2.3 轨道电路电压数据分析 | 第16-17页 |
| 2.4 轨道电路电压故障特征提取 | 第17-24页 |
| 2.5 数据整合 | 第24-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 基于传统分类器的轨道电路故障诊断模型 | 第28-49页 |
| 3.1 RBF神经网络 | 第28-31页 |
| 3.1.1 RBF神经网络的基本结构 | 第28-30页 |
| 3.1.2 RBF神经网络学习算法 | 第30-31页 |
| 3.2 RBF神经网络轨道电路故障诊断模型的构建 | 第31-39页 |
| 3.2.1 输入层数据归一化 | 第32-33页 |
| 3.2.2 隐含层节点参数设计 | 第33-35页 |
| 3.2.3 输出层设计 | 第35-36页 |
| 3.2.4 基于RBF神经网络的轨道电路故障诊断模型 | 第36-39页 |
| 3.3 基于SVM的轨道电路故障诊断模型 | 第39-43页 |
| 3.3.1 支持向量机简介 | 第39-41页 |
| 3.3.2 LibSVM中的相关函数的介绍和参数选择 | 第41-43页 |
| 3.3.3 基于SVM的轨道电路故障诊断模型的构建 | 第43页 |
| 3.4 基于BP神经网络的轨道电路故障诊断模型 | 第43-47页 |
| 3.4.1 BP神经网络结构 | 第43-44页 |
| 3.4.2 BP神经网络算法 | 第44-45页 |
| 3.4.3 基于Matlab工具箱的BP神经网络函数 | 第45-46页 |
| 3.4.4 基于BP神经网络的轨道电路故障诊断模型的构建 | 第46-47页 |
| 3.5 三种故障诊断模型的性能比较 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于RBF神经网络和信息融合的故障诊断模型 | 第49-58页 |
| 4.1 信息融合技术 | 第49-52页 |
| 4.1.1 信息融合的基本概念 | 第49页 |
| 4.1.2 信息融合层次结构 | 第49-51页 |
| 4.1.3 信息融合方法 | 第51-52页 |
| 4.2 基于RBF神经网络和信息融合技术的故障诊断模型的构建 | 第52-56页 |
| 4.2.1 决策级信息融合设想和模型构建流程 | 第52-54页 |
| 4.2.2 基于RBF和信息融合的故障诊断模型的构建 | 第54-56页 |
| 4.3 基于RBF神经网络和信息融合的故障诊断模型实验验证 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 轨道电路故障诊断原型系统设计 | 第58-67页 |
| 5.1 系统总体设计 | 第58-59页 |
| 5.2 技术路线 | 第59-60页 |
| 5.3 开发环境 | 第60-61页 |
| 5.4 数据库设计 | 第61-62页 |
| 5.5 系统功能设计 | 第62-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第74页 |
