声明
第1 章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 CBTC 系统研究现状分析
1.2.2 DCS 系统研究现状分析
1.2.3 干扰识别研究现状分析
1.3 论文内容与组织结构
第2 章 CBTC系统及DCS子系统介绍
2.1 CBTC系统构成
2.1.1 列车自动监控系统
2.1.2 区域控制器
2.1.3 数据存储单元
2.1.4 计算机联锁
2.1.5 车载控制器子系统
2.1.6 数据通信子系统
2.2 DCS 子系统的功能及结构
2.2.1 轨旁有线网络
2.2.2 车地无线网络
2.2.3 DCS网络管理系统
2.3 本章小结
第3 章 DCS无线系统建模与仿真
3.1 地铁环境下无线信号损耗模型
3.1.1 漏泄波导管传播模型
3.1.2 自由空间传播模型
3.1.3 对数距离路径损耗传播模型
3.1.4 对数正态阴影衰落传播模型
3.2 地铁环境小尺度衰落模型
3.2.1 瑞利分布
3.2.2 莱斯分布
3.3 天线模型
3.3.1 发射天线
3.3.2 接收天线
3.4 IEEE 802.11g切换算法
3.5 系统级仿真平台设计实现
3.5.1波导管无干扰场景建模
3.5.2自由无线无干扰场景建模
3.5.3波导管+自由无线无干扰场景建模
3.5.4 自由无线干扰场景建模
3.6 物理层干扰信号波形生成
3.6.1 IEEE 802.11g的物理层帧结构
3.6.2 同频干扰建模
3.6.3 邻频干扰建模
3.7 本章小结
第4 章异常TRE 检测方案研究
4.1 数据采集及存储
4.1.1 数据采集网络结构
4.1.2 数据存储方式
4.2 基于场强的异常检测方案研究
4.2.1 基于短时移动平均的异常 TRE检测
4.2.2 基于长时移动平均的异常 TRE检测
4.2.3 基于 TRE最大值与最小值的异常 TRE检测
4.2.4 基于切换前后场强变化的异常 TRE检测
4.3 基于车头车尾场强变化规律的异常 TRE识别
4.3.1 车头车尾数据识别
4.3.2 基于车头数据平均值的异常 TRE分析
4.4 基于红蓝网数据对比的异常 TRE分析
4.4.1 基于红蓝网功率对比的异常 TRE分析
4.4.2 基于红蓝网切换时刻对比的异常 TRE分析
4.5 本章小结
第5 章 基于机器学习的干扰识别算法研究
5.1 机器学习算法原理与算法选择
5.1.1 K-means 算法原理
5.1.2 决策树算法原理
5.1.3 SVM算法理论模型
5.2 基于决策树算法及中频信号特征的干扰识别方案研究
5.2.1 中频接收信号生成
5.2.2 中频信号特征提取和筛选方式
5.2.3 性能仿真分析
5.3 网络性能参数与中频信号特征联合干扰识别方案研究
5.3.1 网络性能参数获取
5.3.2 基于网络性能参数及 K-means算法的异常数据聚类提取性能分析
5.3.3 基于 SVM算法的异常数据干扰识别性能仿真分析
5.4 两种干扰识别方式性能比较
5.5 本章小结
总结与展望
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果
西南交通大学;