声明
第 1 章 绪论
1.1 研究背景和意义
1.2 蛇行运动研究现状
1.3 神经网络用于故障诊断的研究现状
1.4 本文主要研究内容和结构安排
第 2 章基于 1D CNN 的高速列车小幅蛇行识别方法
2.1 BP 神经网络
2.1.1 神经元
2.1.2 神经网络层
2.2 卷积神经网络
2.2.1 卷积层
2.2.2 池化层
2.2.3 一维卷积神经网络
2.3.1 数据采集
2.3.2 数据预处理
2.3.3 样本选取
2.3.4 标签数据处理
2.4.1 模型结构
2.4.2 模型参数
2.5.1 实验环境
2.5.2 结果分析
2.6 本章小节
第 3 章 基于 1D CNN 和 LSTM 的高速列车小幅蛇行预测方法
3.1 循环神经网络
3.1.1 RNN
3.1.2 LSTM
3.2 Attention 机制
3.3.1 模型结构
3.3.2 模型参数
3.4 实验验证
3.4.1 数据截取
3.4.2 结果分析
3.5 本章小节
第 4 章基于信息融合的高速列车小幅蛇行预测方法
4.1.1 信息融合概述
4.1.2 D-S证据理论
4.2 融合方式
4.2.1 数据级融合
4.2.2 特征级融合
4.2.3 决策级融合
4.3 实验验证
4.4 列车蛇行运动智能监测系统
4.5 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学术论文和参与的科研项目
西南交通大学;