多域网络下的智能故障诊断算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题研究背景及意义 | 第15-16页 |
| 1.2 研究发展及现状 | 第16-20页 |
| 1.2.1 基于关联规则的网络故障诊断技术 | 第16-18页 |
| 1.2.2 基于专家系统的网络故障诊断技术 | 第18-19页 |
| 1.2.3 基于模型遍历的网络故障诊断技术 | 第19-20页 |
| 1.3 论文的目标以及主要工作 | 第20-21页 |
| 1.3.1 研究目标 | 第20-21页 |
| 1.3.2 主要工作 | 第21页 |
| 1.4 本文研究内容和组织结构 | 第21-23页 |
| 第二章 多域网络下故障诊断系统模型 | 第23-33页 |
| 2.1 引言 | 第23-24页 |
| 2.2 诊断系统介绍 | 第24-25页 |
| 2.3 网络状态信息采集模块 | 第25-29页 |
| 2.3.1 网络流量信息 | 第25页 |
| 2.3.2 Trap告警信息 | 第25-27页 |
| 2.3.3 设备状态信息 | 第27-29页 |
| 2.4 预处理模块 | 第29-31页 |
| 2.4.1 Trap告警预处理 | 第29-30页 |
| 2.4.2 设备状态信息预处理 | 第30-31页 |
| 2.5 故障诊断模块 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于支持向量机的网络故障诊断算法 | 第33-51页 |
| 3.1 引言 | 第33页 |
| 3.2 支持向量机描述 | 第33-42页 |
| 3.2.1 完全线性可分 | 第33-37页 |
| 3.2.2 近似线性可分 | 第37-40页 |
| 3.2.3 非线性支持向量机 | 第40-41页 |
| 3.2.4 核函数介绍 | 第41-42页 |
| 3.3 最优化求解 | 第42-44页 |
| 3.4 仿真分析 | 第44-48页 |
| 3.4.1 仿真场景 | 第44-46页 |
| 3.4.2 仿真效果 | 第46-48页 |
| 3.5 支持向量机缺点 | 第48-49页 |
| 3.5.1 大规模样本问题 | 第48页 |
| 3.5.2 多分类问题 | 第48-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第四章 基于PCA-BP的神经网络故障诊断算法 | 第51-61页 |
| 4.1 引言 | 第51-52页 |
| 4.2 故障样本降维 | 第52-54页 |
| 4.2.1 PCA降维介绍 | 第52-53页 |
| 4.2.2 降维限度 | 第53-54页 |
| 4.3 BP诊断网络 | 第54-58页 |
| 4.3.1 神经元模型 | 第54-55页 |
| 4.3.2 BP网络结构 | 第55-56页 |
| 4.3.3 BP算法描述 | 第56-58页 |
| 4.4 仿真分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 基于深度卷积的故障诊断算法 | 第61-71页 |
| 5.1 引言 | 第61-62页 |
| 5.2 深度卷积诊断模型 | 第62-67页 |
| 5.2.1 深度卷积网络结构 | 第62-64页 |
| 5.2.2 样本处理 | 第64-65页 |
| 5.2.3 诊断模型训练 | 第65-67页 |
| 5.3 仿真分析 | 第67-69页 |
| 5.3.1 诊断网络结构 | 第67页 |
| 5.3.2 仿真效果 | 第67-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 研究总结 | 第71-72页 |
| 6.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79页 |
