| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 课题研究的主要内容 | 第12页 |
| 1.4 论文的组织安排 | 第12-14页 |
| 第2章 相关技术 | 第14-20页 |
| 2.1 Spark云计算框架 | 第14-16页 |
| 2.1.1 Spark体系结构 | 第14-15页 |
| 2.1.2 Spark RDD | 第15页 |
| 2.1.3 Spark的特点 | 第15-16页 |
| 2.2 YARN资源调度平台 | 第16-18页 |
| 2.2.1 YARN架构 | 第16-17页 |
| 2.2.2 YARN资源分配 | 第17-18页 |
| 2.3 齿轮箱故障 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于云计算和人工蜂群-BP神经网络的故障诊断算法设计 | 第20-30页 |
| 3.1 BP神经网络 | 第20页 |
| 3.2 BP神经网络算法描述 | 第20-22页 |
| 3.3 BP神经网络算法的不足 | 第22-26页 |
| 3.3.1 人工蜂群算法 | 第23页 |
| 3.3.2 人工蜂群算法描述 | 第23-26页 |
| 3.4 人工蜂群优化BP网络算法设计 | 第26-28页 |
| 3.5 基于人工蜂群优化BP网络的故障诊断算法的并行化设计 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第4章 基于云计算和改进萤火虫-极限学习机的故障诊断算法设计 | 第30-41页 |
| 4.1 极限学习机 | 第30-32页 |
| 4.1.1 极限学习机算法描述 | 第30-32页 |
| 4.1.2 极限学习的不足 | 第32页 |
| 4.2 萤火虫算法 | 第32-34页 |
| 4.2.1 萤火虫算法描述 | 第32-34页 |
| 4.2.2 萤火虫算法的不足 | 第34页 |
| 4.3 改进的萤火虫算法 | 第34-36页 |
| 4.4 改进萤火虫优化极限学习机算法设计 | 第36-38页 |
| 4.5 基于IFA-ELM的故障诊断算法的并行化设计 | 第38-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第5章 系统设计与测试 | 第41-51页 |
| 5.1 实验平台 | 第41-46页 |
| 5.1.1 系统环境 | 第41-42页 |
| 5.1.2 部署YARN | 第42-43页 |
| 5.1.3 在YARN上部署Spark | 第43-45页 |
| 5.1.4 测试数据集描述 | 第45-46页 |
| 5.1.5 评价指标描述 | 第46页 |
| 5.2 基于Spark的改进萤火虫优化极限学习机算法测试实验 | 第46-48页 |
| 5.2.1 算法故障诊断准确率分析 | 第46-47页 |
| 5.2.2 算法并行性能分析 | 第47-48页 |
| 5.3 基于云计算和人工蜂群优化的BP神经网络算法测试实验 | 第48-50页 |
| 5.3.1 算法故障诊断准确率分析 | 第48-49页 |
| 5.3.2 算法并行性能分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 本论文的主要工作 | 第51页 |
| 6.2 对未来工作的展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |
