| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 地铁车辆故障诊断研究现状 | 第8-12页 |
| 1.2.1 故障诊断原理和方法 | 第8-11页 |
| 1.2.2 地铁车辆故障诊断的发展现状 | 第11-12页 |
| 1.3 支持向量机的特点和应用 | 第12页 |
| 1.4 粒子群优化算法的特点和应用 | 第12-13页 |
| 1.5 本文的研究内容和结构 | 第13-15页 |
| 2 支持向量机与改进粒子群优化算法 | 第15-34页 |
| 2.1 支持向量分类机 | 第15-23页 |
| 2.1.1 函数VC维和结构风险准则 | 第15-16页 |
| 2.1.2 支持向量机方法的最优超平面 | 第16-17页 |
| 2.1.3 线性可分支持向量分类机 | 第17-19页 |
| 2.1.4 非线性可分支持向量分类机 | 第19-21页 |
| 2.1.5 支持向量机核函数 | 第21-22页 |
| 2.1.6 支持向量机模型选择 | 第22-23页 |
| 2.2 多分类支持向量机 | 第23-26页 |
| 2.2.1 一对多方法 | 第24-25页 |
| 2.2.2 一对一方法 | 第25页 |
| 2.2.3 二叉树方法 | 第25-26页 |
| 2.3 标准粒子群优化算法 | 第26-28页 |
| 2.3.1 算法原理 | 第26-27页 |
| 2.3.2 粒子群算法的优缺点 | 第27-28页 |
| 2.4 改进的粒子群算法(IPSO) | 第28-30页 |
| 2.4.1 惯性权重的设定 | 第28-29页 |
| 2.4.2 粒子初始化 | 第29页 |
| 2.4.3 过早停滞判断 | 第29-30页 |
| 2.5 PSO的收敛性分析和参数选择问题 | 第30-33页 |
| 2.5.1 PSO的收敛性分析 | 第30-32页 |
| 2.5.2 粒子群算法参数选择 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 基于IPSO-SVM的多分类器模型及实验验证 | 第34-39页 |
| 3.1 IPSO优化SVM模型 | 第34-35页 |
| 3.2 IPSO-SVM多分类器实验验证 | 第35-38页 |
| 3.3 本章小结 | 第38-39页 |
| 4 基于IPSO-SVM地铁TCU故障诊断 | 第39-50页 |
| 4.1 基于IPSO-SVM地铁TCU故障诊断步骤 | 第39-40页 |
| 4.2 地铁车辆总线结构与数据获取 | 第40-45页 |
| 4.2.1 地铁车辆网络拓扑结构 | 第40-42页 |
| 4.2.2 故障数据提取与处理 | 第42-45页 |
| 4.3 基于IPSO-SVM地铁牵引控制单元故障诊断实例 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 结论与展望 | 第50-52页 |
| 5.1 本文主要工作与总结 | 第50-51页 |
| 5.2 后续工作展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-57页 |