声明
致谢
摘要
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 车载设备故障诊断研究现状
1.2.2 深度学习研究现状
1.2.3 基于深度学习的故障诊断研究现状
1.3 车载设备故障诊断研究思路
1.4 论文的主要工作和组织架构
2 车载设备故障数据及其特征表示
2.1 车载设备结构及其功能概述
2.2 车载设备故障数据分析
2.2.1 车载设备故障分类总结
2.2.2 故障数据分析
2.3 基于词向量的特征表示方法
2.3.1 文本信息的向量表示方法
2.3.2 300T车载设备运行信息语料库
2.3.3 Word2vec
2.3.4 基于Skip-gram模型的词向量的实现
2.4 本章小结
3 基于神经网络的车载设备故障诊断模型
3.1 BP神经网络故障诊断方法
3.1.1 BP神经网络算法原理
3.1.2 BP神经网络模型建立
3.2 基于BP神经网络优化算法的故障诊断模型
3.2.1 共轭梯度算法优化模型
3.2.2 LM算法优化模型
3.2.3 贝叶斯正则化算法优化模型
3.3 基于LSTM算法的车载设备故障诊断模型
3.3.1 循环神经网络原理
3.3.2 LSTM网络结构和算法分析
3.3.3 LSTM-BP网络模型
3.4 本章小结
4 仿真验证及结果分析
4.1 数据预处理
4.1.1 样本集说明
4.1.2 模型数据及参数处理
4.2 BP网络模型仿真结果
4.2.1 三种优化模型性能对比
4.2.2 原始BP网络模型和优化后模型分类性能对比
4.3 LSTM-BP网络模型仿真结果
4.3.1 模型性能验证
4.3.2 LSTM-BP网络模型结果分析
4.4 本章小结
5.1 论文总结
5.2 研究展望
参考文献
图索引
表索引
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集