| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 故障诊断方法研究现状 | 第12-16页 |
| 1.2.1 故障诊断方法综述 | 第12-15页 |
| 1.2.2 列控系统故障诊断的研究现状 | 第15-16页 |
| 1.3 特征提取方法的研究现状 | 第16-17页 |
| 1.4 论文主要研究内容及架构 | 第17-19页 |
| 2 车载设备故障数据分析及诊断方案 | 第19-27页 |
| 2.1 车载设备故障数据分析 | 第20-23页 |
| 2.1.1 日志文本数据及交接班记录分析 | 第21-22页 |
| 2.1.2 故障日志数据的不均衡性 | 第22-23页 |
| 2.2 车载设备故障诊断方案及评估方法 | 第23-26页 |
| 2.2.1 车载设备故障诊断方案 | 第24-25页 |
| 2.2.2 模型评价指标 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 基于LLDA模型特征提取与诊断算法 | 第27-46页 |
| 3.1 日志数据的特征提取研究 | 第27-34页 |
| 3.1.1 传统的特征提取方法分析 | 第27-28页 |
| 3.1.2 LDA模型相关原理描述 | 第28-31页 |
| 3.1.3 改进Labeled-LDA模型的特征提取方法实现 | 第31-33页 |
| 3.1.4 特征融合方法 | 第33-34页 |
| 3.2 面向故障诊断的文本分类算法 | 第34-41页 |
| 3.2.1 支持向量机算法描述 | 第35-39页 |
| 3.2.2 K最近邻算法原理 | 第39页 |
| 3.2.3 随机森林原理 | 第39-41页 |
| 3.3 基于粒子群优化的参数选取 | 第41-45页 |
| 3.3.1 粒子群算法描述 | 第42-44页 |
| 3.3.2 SVM分类器参数优化原理 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 车载设备故障诊断环境构建及方法验证 | 第46-64页 |
| 4.1 车载设备故障诊断方法验证 | 第46-56页 |
| 4.1.1 故障特征提取方法仿真分析 | 第48-52页 |
| 4.1.2 基于优化SVM方法的不均衡数据仿真分析 | 第52-55页 |
| 4.1.3 车载设备二级故障诊断仿真分析 | 第55-56页 |
| 4.2 车载设备故障诊断分析验证环境实现 | 第56-62页 |
| 4.2.1 车载设备故障诊断验证环境框架设计 | 第56-57页 |
| 4.2.2 车载设备故障诊断验证环境功能实现 | 第57-62页 |
| 4.3 本章小结 | 第62-64页 |
| 5 结论 | 第64-66页 |
| 5.1 全文总结 | 第64页 |
| 5.2 研究展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 图索引 | 第70-71页 |
| 表索引 | 第71-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |