| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 当前研究现状 | 第9-13页 |
| 1.2.1 转辙机故障诊断研究现状 | 第9-11页 |
| 1.2.2 深度学习在故障诊断中的应用研究现状 | 第11-13页 |
| 1.3 研究内容及主要工作 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 神经网络基本理论 | 第15-29页 |
| 2.1 机器学习概述 | 第15页 |
| 2.2 神经网络概述 | 第15-24页 |
| 2.2.1 神经元模型 | 第15-16页 |
| 2.2.2 激活函数 | 第16-18页 |
| 2.2.3 误差逆向传播 | 第18-20页 |
| 2.2.4 神经网络优化中的问题 | 第20-21页 |
| 2.2.5 基本优化算法 | 第21-23页 |
| 2.2.6 自适应学习率算法 | 第23-24页 |
| 2.3 深度学习 | 第24-27页 |
| 2.3.1 深度学习概述 | 第24-26页 |
| 2.3.2 深度学习中的正则化 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于自编码器和BP神经网络的转辙机故障分类 | 第29-40页 |
| 3.1 自编码器简介 | 第29页 |
| 3.2 转辙机状态数据分析与可视化 | 第29-31页 |
| 3.3 不同编码维数的分类实验对比 | 第31-35页 |
| 3.4 不同学习率的分类实验对比 | 第35-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于卷积神经网络的转辙机故障分类 | 第40-55页 |
| 4.1 卷积神经网络简介 | 第40-41页 |
| 4.1.1 卷积神经网络的结构 | 第40页 |
| 4.1.2 卷积神经网络的优点 | 第40-41页 |
| 4.2 转辙机状态数据分析与预处理 | 第41-42页 |
| 4.3 卷积神经网络模型设计 | 第42-46页 |
| 4.4 实验与结果分析 | 第46-54页 |
| 4.4.1 学习率对比实验 | 第46-50页 |
| 4.4.2 卷积步长以及卷积层数对比实验 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于集成卷积神经网络的转辙机故障分类 | 第55-64页 |
| 5.1 集成学习概述 | 第55-56页 |
| 5.1.1 集成学习方法 | 第55页 |
| 5.1.2 学习器结合策略 | 第55-56页 |
| 5.2 个体学习器的选择与训练 | 第56-57页 |
| 5.3 不同结构卷积神经网络模型集成 | 第57-59页 |
| 5.4 相同结构卷积神经网络模型集成 | 第59-63页 |
| 5.4.1 三个个体学习器的集成 | 第59-61页 |
| 5.4.2 五个个体学习器的集成 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 转辙机故障检测系统实现 | 第64-68页 |
| 6.1 开发框架 | 第64页 |
| 6.2 系统设计 | 第64-65页 |
| 6.3 系统功能展示 | 第65-66页 |
| 6.4 本章小结 | 第66-68页 |
| 总结与展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |