基于SaCE-ELM的地铁牵引控制系统故障诊断
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 故障诊断技术现状 | 第8-15页 |
| 1.2.1 故障诊断技术发展历程 | 第9-10页 |
| 1.2.2 故障诊断方法 | 第10-14页 |
| 1.2.3 本文方法选择 | 第14-15页 |
| 1.3 研究内容及论文结构安排 | 第15-17页 |
| 2 极限学习机 | 第17-28页 |
| 2.1 人工神经网络 | 第17-22页 |
| 2.1.1 生物神经元模型 | 第17-18页 |
| 2.1.2 人工神经元 | 第18-19页 |
| 2.1.3 神经网络的分类和学习算法 | 第19-22页 |
| 2.2 极限学习机 | 第22-27页 |
| 2.2.1 前馈神经网络 | 第22-25页 |
| 2.2.2 极限学习机 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 差分进化算法优化的极限学习机 | 第28-42页 |
| 3.1 差分进化算法 | 第28-36页 |
| 3.1.1 标准差分进化算法 | 第28-31页 |
| 3.1.2 控制参数选择研究 | 第31-33页 |
| 3.1.3 差分变异策略选择及其改进 | 第33-35页 |
| 3.1.4 自适应多策略差分进化算法的实验验证 | 第35-36页 |
| 3.2 SaCE-ELM算法及其实验验证 | 第36-41页 |
| 3.2.1 SaCE-ELM算法简介 | 第36-39页 |
| 3.2.2 基于UCI数据集的实验验证 | 第39-41页 |
| 3.3 本章小结 | 第41-42页 |
| 4 地铁电力机车牵引控制系统故障诊断 | 第42-50页 |
| 4.1 地铁列车控制系统 | 第42-45页 |
| 4.2 故障数据提取流程 | 第45-48页 |
| 4.3 实验结果及分析 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 结论与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-56页 |
