基于神经网络的重载机车粘着状态识别方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究意义 | 第9-10页 |
| 1.2 重载运输发展现状 | 第10页 |
| 1.3 状态识别研究现状 | 第10-13页 |
| 1.4 有待进一步研究的问题 | 第13页 |
| 1.5 论文主要研究内容及结构安排 | 第13-16页 |
| 第二章 粘着基本理论与粘着状态识别 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 粘着基本原理 | 第16-17页 |
| 2.3 粘着特性分析 | 第17-19页 |
| 2.4 粘着状态识别方法 | 第19-21页 |
| 2.4.1 基于模型的粘着状态识别 | 第20页 |
| 2.4.2 基于模糊理论的粘着状态识别 | 第20页 |
| 2.4.3 基于支持向量机的粘着状态识别 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于GA-BP神经网络的粘着状态识别 | 第22-35页 |
| 3.1 引言 | 第22页 |
| 3.2 BP神经网络简介 | 第22-26页 |
| 3.2.1 网络结构 | 第22-24页 |
| 3.2.2 BP算法 | 第24-26页 |
| 3.3 遗传算法简介 | 第26-29页 |
| 3.3.1 编码形式 | 第27页 |
| 3.3.2 种群与适应度 | 第27-28页 |
| 3.3.3 选择和交叉变异 | 第28-29页 |
| 3.4 基于GA的BP神经网络设计 | 第29-31页 |
| 3.4.1 目标编码 | 第29-30页 |
| 3.4.2 适应度函数设计 | 第30页 |
| 3.4.3 遗传算子设计 | 第30-31页 |
| 3.5 仿真结果与分析 | 第31-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 基于极限学习的粘着状态识别 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 极限学习简介 | 第35-39页 |
| 4.2.1 极限学习基本理论 | 第35-36页 |
| 4.2.2 极限学习算法 | 第36-39页 |
| 4.3 粘着状态的极限学习识别 | 第39-41页 |
| 4.3.1 识别模型构造 | 第39页 |
| 4.3.2 特征选择 | 第39页 |
| 4.3.3 激活函数选择 | 第39-40页 |
| 4.3.4 粘着状态类型编码 | 第40-41页 |
| 4.3.5 粘着状态识别模型的实现 | 第41页 |
| 4.4 仿真结果与分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于深度神经网络的粘着状态识别 | 第45-54页 |
| 5.1 引言 | 第45页 |
| 5.2 深度神经网络简介 | 第45-49页 |
| 5.2.1 稀疏自动编码器 | 第47-48页 |
| 5.2.2 Soft-max分类器 | 第48-49页 |
| 5.2.3 过拟合与L2正则化 | 第49页 |
| 5.3 深度神经网络的粘着状态识别算法 | 第49-50页 |
| 5.4 仿真结果与分析 | 第50-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 全文总结 | 第54页 |
| 6.2 研究展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读学位期间主要的研究成果 | 第61-62页 |
| 致谢 | 第62页 |
