| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 集成学习的研究现状 | 第13-14页 |
| 1.2.2 集成分类器的研究现状 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 2 集成分类器相关知识 | 第17-28页 |
| 2.1 集成学习 | 第17-21页 |
| 2.1.1 集成学习概述 | 第17页 |
| 2.1.2 集成学习器的构造 | 第17-19页 |
| 2.1.3 集成学习主要算法 | 第19-21页 |
| 2.2 支持向量机分类算法 | 第21-25页 |
| 2.2.1 方法介绍 | 第21-24页 |
| 2.2.2 常用核函数 | 第24页 |
| 2.2.3 网格搜索法的参数选优 | 第24-25页 |
| 2.3 遗传算法 | 第25-27页 |
| 2.3.1 遗传算法简介 | 第25页 |
| 2.3.2 遗传算法的方法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 FIGS_Bagging集成分类器 | 第28-47页 |
| 3.1 集成分类的特征选择 | 第28-33页 |
| 3.1.1 特征选择概述 | 第28页 |
| 3.1.2 特征选择与学习算法结合方式 | 第28-29页 |
| 3.1.3 两阶段特征选择方法 | 第29-33页 |
| 3.1.4 基于特征选择的Bagging | 第33页 |
| 3.2 集成分类器的选择性集成 | 第33-39页 |
| 3.2.1 集成学习差异性度量的概念 | 第33-34页 |
| 3.2.2 差异性度量方法 | 第34-37页 |
| 3.2.3 基于IAS差异性度量的选择性算法 | 第37-39页 |
| 3.3 集成分类器的加权投票 | 第39-41页 |
| 3.3.1 加权投票的概述 | 第39-40页 |
| 3.3.2 基于GA加权投票的集成分类器 | 第40-41页 |
| 3.4 FIGS_Bagging集成分类器的构造 | 第41-42页 |
| 3.4.1 算法设计思路 | 第41页 |
| 3.4.2 算法具体介绍 | 第41-42页 |
| 3.5 实验 | 第42-46页 |
| 3.5.1 实验数据集 | 第42页 |
| 3.5.2 实验结果与分析 | 第42-46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 FIGS_Bagging集成分类器在局放诊断中的验证 | 第47-57页 |
| 4.1 变压器局部放电过程 | 第48-53页 |
| 4.1.1 局部放电的类型 | 第48-49页 |
| 4.1.2 局部放电数据的采集 | 第49-50页 |
| 4.1.3 谱图产生 | 第50-51页 |
| 4.1.4 图像特征提取 | 第51-52页 |
| 4.1.5 特征的提取方法 | 第52-53页 |
| 4.2 实验 | 第53-56页 |
| 4.2.1 实验数据集 | 第53-54页 |
| 4.2.2 集成分类器实验结果与分析 | 第54-55页 |
| 4.2.3 与其他分类方法结果对比与分析 | 第55-56页 |
| 4.3 本章小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第62-63页 |
| 个人简历 | 第62页 |
| 在校期间发表的学术论文 | 第62页 |
| 在校期间参与项目 | 第62-63页 |
| 致谢 | 第63页 |