基于机器学习的地铁振动信号识别
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 噪声信号处理方法的研究现状 | 第12-13页 |
| 1.2.2 机器学习的研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关理论知识和关键技术 | 第16-22页 |
| 2.1 地铁产生的振动和噪声特性 | 第16-17页 |
| 2.1.1 振动的来源 | 第16页 |
| 2.1.2 振动的传播 | 第16-17页 |
| 2.2 数据分类技术概述 | 第17-21页 |
| 2.2.1 常用的分类技术 | 第17-18页 |
| 2.2.2 随机森林分类算法 | 第18-20页 |
| 2.2.3 不平衡分类问题 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第3章 振动信号和分类模型的建立 | 第22-32页 |
| 3.1 地铁振动信号的测量 | 第22-24页 |
| 3.2 构造样本 | 第24-28页 |
| 3.2.1 构造信号样本 | 第24-27页 |
| 3.2.2 正负样本的不平衡 | 第27页 |
| 3.2.3 随机压缩采样 | 第27-28页 |
| 3.3 基于随机森林算法的分类模型 | 第28-31页 |
| 3.3.1 随机森林算法建立模型 | 第28-30页 |
| 3.3.2 交叉验证评估 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于并行化处理的滑动窗口振动信号识别 | 第32-46页 |
| 4.1 识别振动信号的滑动窗口算法 | 第32-34页 |
| 4.2 并行滑动窗口算法设计 | 第34-37页 |
| 4.2.1 随机森林建树并行化 | 第34-35页 |
| 4.2.2 随机森林投票并行化 | 第35-36页 |
| 4.2.3 滑动窗口算法并行化 | 第36-37页 |
| 4.3 基于SPARK的并行滑动窗口算法实现 | 第37-44页 |
| 4.3.1 Spark框架概述 | 第37-39页 |
| 4.3.2 Spark框架的架构概述 | 第39-40页 |
| 4.3.3 模型学习 | 第40-42页 |
| 4.3.4 并行滑动窗口算法 | 第42-44页 |
| 4.4 实验结果分析 | 第44-45页 |
| 4.4.1 实验环境与数据集 | 第44页 |
| 4.4.2 实验结果 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 地铁振动信号识别系统 | 第46-55页 |
| 5.1 振动信号识别系统设计 | 第46-50页 |
| 5.1.1 开发环境与系统模块设计 | 第46-47页 |
| 5.1.2 系统运行效果 | 第47-50页 |
| 5.2 识别地铁振动信号的实验评价标准 | 第50-52页 |
| 5.2.1 精确率 | 第50-51页 |
| 5.2.2 召回率 | 第51页 |
| 5.2.3 F1值 | 第51页 |
| 5.2.4 时间匹配度 | 第51-52页 |
| 5.3 实验结果与分析 | 第52-54页 |
| 5.3.1 实验环境和数据集 | 第52页 |
| 5.3.2 实验结果 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 结论 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间参加的科研项目和成果 | 第61页 |
