| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 机械工况识别研究现状 | 第12-13页 |
| 1.2.2 深度学习研究现状 | 第13-14页 |
| 1.2.3 分类集成研究现状 | 第14-15页 |
| 1.3 本文主要内容与结构安排 | 第15-16页 |
| 第2章 高速列车振动信号分析及多分类器集成 | 第16-23页 |
| 2.1 列车走行部及实验数据 | 第16-18页 |
| 2.1.1 列车走行部介绍 | 第16页 |
| 2.1.2 实验数据介绍 | 第16-18页 |
| 2.2 列车振动信号分析 | 第18-20页 |
| 2.3 多分类器集成 | 第20-22页 |
| 2.3.1 多数投票法 | 第20页 |
| 2.3.2 胜者全取集成策略 | 第20-21页 |
| 2.3.3 分类熵投票策略 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于多视图分类集成的高速列车工况识别 | 第23-33页 |
| 3.1 特征提取算法 | 第23-27页 |
| 3.1.1 小波能量 | 第23页 |
| 3.1.2 聚合经验模态分解 | 第23-24页 |
| 3.1.3 EEMD模糊贿 | 第24-26页 |
| 3.1.4 Fisher比率 | 第26-27页 |
| 3.2 MV-CE工况识别模型 | 第27-28页 |
| 3.3 实验结果与分析 | 第28-32页 |
| 3.3.1 多视图特征提取 | 第28-29页 |
| 3.3.2 MV-CE工况识别 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于DBN层次集成的高速列车工况识别 | 第33-45页 |
| 4.1 深度信念网络 | 第33-36页 |
| 4.2 DBN层次集成模型 | 第36-37页 |
| 4.3 实验结果与分析 | 第37-44页 |
| 4.3.1 学习层次特征 | 第37-38页 |
| 4.3.2 网络结构分析 | 第38-42页 |
| 4.3.3 DBN层次集成模型工况识别 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 基于相似度比率和MDBN的高速列车工况识别 | 第45-55页 |
| 5.1 相似度比率 | 第45-46页 |
| 5.2 列车工况识别方法 | 第46-48页 |
| 5.2.1 MDBN模型 | 第46-47页 |
| 5.2.2 列车工况识别流程 | 第47-48页 |
| 5.3 实验结果与分析 | 第48-54页 |
| 5.3.1 通道选择 | 第48-49页 |
| 5.3.2 学习高层特征 | 第49-51页 |
| 5.3.3 MDBN网络结构分析 | 第51-52页 |
| 5.3.4 MDBN工况识别 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论与展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第62页 |