| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17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 高速列车状态监测的研究现状 | 第12-13页 |
| 1.2.2 EMD的研究现状 | 第13-14页 |
| 1.2.3 信息融合的研究现状 | 第14-15页 |
| 1.3 主要研究内容与结构安排 | 第15-17页 |
| 第2章 高速列车走行部振动特性分析 | 第17-24页 |
| 2.1 列车走行部相关知识介绍 | 第17-18页 |
| 2.2 列车走行部不同工况和实验数据 | 第18-19页 |
| 2.2.1 列车不同工况介绍 | 第18页 |
| 2.2.2 数据介绍 | 第18-19页 |
| 2.3 列车振动信号分析 | 第19-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基本理论 | 第24-35页 |
| 3.1 经验模态分解 | 第24-31页 |
| 3.1.1 EMD的基本原理 | 第24-26页 |
| 3.1.2 EEMD的基本原理 | 第26-29页 |
| 3.1.3 CEEMD的基本原理 | 第29-31页 |
| 3.2 信息测度理论体系 | 第31-33页 |
| 3.2.1 信息熵测度 | 第31-32页 |
| 3.2.2 复杂性测度 | 第32-33页 |
| 3.3 信息融合 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于信息熵测度和特征融合的列车振动信号特征分析 | 第35-47页 |
| 4.1 基于信息熵测度和特征融合的高速列车振动信号分析方法 | 第35-37页 |
| 4.1.1 高速列车振动信号CEEMD分析 | 第35-36页 |
| 4.1.2 有效IMF分量的确定 | 第36-37页 |
| 4.2 IMF信息熵特征提取 | 第37-41页 |
| 4.2.1 IMF奇异谱熵 | 第37-38页 |
| 4.2.2 IMF功率谱熵 | 第38-39页 |
| 4.2.3 IMF小波能谱熵 | 第39-41页 |
| 4.3 基于特征融合和LSSVM的列车振动信号工况识别 | 第41-47页 |
| 4.3.1 特征融合向量提取 | 第41-42页 |
| 4.3.2 LSSVM算法原理 | 第42-43页 |
| 4.3.3 实验仿真分析 | 第43-46页 |
| 4.3.4 本章小结 | 第46-47页 |
| 第5章 基于复杂性测度和特征融合的列车振动信号特征分析 | 第47-58页 |
| 5.1 基于复杂性测度和特征融合的高速列车振动信号分析方法 | 第47-48页 |
| 5.2 ReliefF算法 | 第48-49页 |
| 5.3 IMF模糊熵特征提取 | 第49-53页 |
| 5.3.1 模糊熵原理 | 第49-50页 |
| 5.3.2 模糊熵的参数设置 | 第50-51页 |
| 5.3.3 IMF模糊熵 | 第51-53页 |
| 5.4 多传感器特征选取及实验分析 | 第53-56页 |
| 5.5 与传统方法对比 | 第56-57页 |
| 5.6 本章小结 | 第57-58页 |
| 结论与展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第67页 |
