基于知识库的动车组运维决策推荐技术的研究与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第9-12页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 课题来源 | 第13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 研究意义 | 第16页 |
| 1.6 各章节内容介绍 | 第16-18页 |
| 2 系统理论基础和相关技术 | 第18-32页 |
| 2.1 知识库基础 | 第18-23页 |
| 2.1.1 知识表示法 | 第18-19页 |
| 2.1.2 知识管理和知识发现 | 第19-21页 |
| 2.1.3 知识服务 | 第21页 |
| 2.1.4 知识库系统用于动车组运维 | 第21-23页 |
| 2.2 APRIORI算法和关联规则 | 第23-25页 |
| 2.2.1 Apriori算法 | 第23-25页 |
| 2.2.2 关联规则 | 第25页 |
| 2.3 推荐系统 | 第25-28页 |
| 2.3.1 推荐系统概念 | 第25-26页 |
| 2.3.2 推荐技术 | 第26-28页 |
| 2.4 HADOOP介绍 | 第28-30页 |
| 2.4.1 Hadoop简介 | 第28页 |
| 2.4.2 MapReduce框架 | 第28-29页 |
| 2.4.3 HDFS | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 3 动车组运维决策推荐系统需求分析 | 第32-38页 |
| 3.1 业务需求分析 | 第32-35页 |
| 3.1.1 系统业务需求分析 | 第32页 |
| 3.1.2 业务数据分析 | 第32-35页 |
| 3.2 功能需求分析 | 第35-36页 |
| 3.3 本章小结 | 第36-38页 |
| 4 动车组运维决策推荐关键技术研究 | 第38-56页 |
| 4.1 数据预处理 | 第38-48页 |
| 4.1.1 数据预处理的研究 | 第38-40页 |
| 4.1.2 改进后的贝叶斯算法的主要思想 | 第40-41页 |
| 4.1.3 改进后算法的MapReduce实现 | 第41-48页 |
| 4.2 推荐技术 | 第48-52页 |
| 4.2.1 协同过滤技术 | 第48-49页 |
| 4.2.2 协同过滤算法的改进 | 第49-50页 |
| 4.2.3 改进后的算法的MapReduce实现 | 第50-52页 |
| 4.3 关键技术验证 | 第52-54页 |
| 4.3.1 数据预处理技术验证 | 第52-54页 |
| 4.3.2 推荐技术验证 | 第54页 |
| 4.4 本章小结 | 第54-56页 |
| 5 动车组运维决策推荐系统设计 | 第56-68页 |
| 5.1 系统整体架构设计 | 第56-59页 |
| 5.2 故障知识更新模块设计 | 第59-63页 |
| 5.2.1 故障知识自学习 | 第59-60页 |
| 5.2.2 知识录入、修改和删除 | 第60-62页 |
| 5.2.3 专家审核的设计 | 第62-63页 |
| 5.3 运维决策推荐的设计 | 第63-65页 |
| 5.3.1 故障和解决方案知识的获取 | 第64页 |
| 5.3.2 运维决策推荐的设计 | 第64-65页 |
| 5.4 故障字典的设计 | 第65页 |
| 5.5 故障统计分析模块的设计 | 第65-67页 |
| 5.5.1 Highcharts的研究应用 | 第66页 |
| 5.5.2 故障统计及走势分析 | 第66-67页 |
| 5.6 本章小结 | 第67-68页 |
| 6 动车组运维决策推荐的实现 | 第68-76页 |
| 6.1 动车组在线监测 | 第68-70页 |
| 6.2 动车组知识检索 | 第70-71页 |
| 6.3 故障知识更新 | 第71页 |
| 6.4 故障统计分析 | 第71-72页 |
| 6.5 故障预警预测 | 第72-74页 |
| 6.6 运维决策推荐 | 第74页 |
| 6.7 本章小结 | 第74-76页 |
| 7 总结与展望 | 第76-78页 |
| 7.1 本文总结 | 第76页 |
| 7.2 今后工作展望 | 第76-78页 |
| 参考文献 | 第78-80页 |
| 作者简历 | 第80-84页 |
| 学位论文数据集 | 第84页 |
