| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-24页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 智能变电站与数据挖掘的研究现状 | 第14-16页 |
| 1.2.1 智能变电站的研究现状 | 第14-16页 |
| 1.2.2 数据挖掘在电力系统中的应用现状 | 第16页 |
| 1.3 信息一体化平台中数据挖掘的应用 | 第16-22页 |
| 1.3.1 入侵检测系统 | 第17-19页 |
| 1.3.2 变电站智能巡检系统的图像数据分析处理 | 第19-21页 |
| 1.3.3 安监系统监控视频中的目标检测与跟踪 | 第21-22页 |
| 1.4 本文主要内容及结构安排 | 第22-24页 |
| 1.4.1 研究的主要内容 | 第22页 |
| 1.4.2 论文结构安排 | 第22-24页 |
| 第2章 基于不变矩技术的变电站入侵检测数据降维分类方法 | 第24-43页 |
| 2.1 智能变电站的信息安全体系 | 第24-26页 |
| 2.1.1 常见的攻击类型 | 第24页 |
| 2.1.2 变电站信息安全体系结构 | 第24-26页 |
| 2.2 入侵检测数据降维 | 第26-33页 |
| 2.2.1 高维数据降维 | 第26-29页 |
| 2.2.2 基于不变矩技术的特征量提取 | 第29-33页 |
| 2.3 基于改进支持向量机的入侵检测数据分类方法 | 第33-38页 |
| 2.3.1 支持向量机工作原理 | 第33-35页 |
| 2.3.2 基于ART2网络的改进多分类SVM模型 | 第35-38页 |
| 2.4 入侵检测数据降维仿真 | 第38-42页 |
| 2.4.1 入侵检测数据集 | 第38-39页 |
| 2.4.2 入侵检测数据降维分类 | 第39-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章 基于密度聚类分析的变电站设备图像识别方法 | 第43-66页 |
| 3.1 变电站设备图像的目标分割 | 第43-49页 |
| 3.1.1 常见的图像分割方法 | 第43-46页 |
| 3.1.2 基于改进分水岭的分割方法 | 第46-49页 |
| 3.2 基于不变矩与灰度共生矩阵的设备图像特征量提取 | 第49-55页 |
| 3.2.1 基于灰度共生矩阵的纹理特征提取 | 第49-52页 |
| 3.2.2 基于灰度共生矩阵与Krawtchouk不变矩的图像特征提取 | 第52-55页 |
| 3.3 基于HSIM函数的密度聚类分析方法 | 第55-61页 |
| 3.3.1 常用聚类方法 | 第55-59页 |
| 3.3.2 基于HSIM函数的改进密度聚类算法 | 第59-61页 |
| 3.4 变电站设备图像的分割与聚类分析应用 | 第61-65页 |
| 3.4.1 图像设备目标的分水岭分割 | 第62-63页 |
| 3.4.2 提取目标的Krawtchouk不变矩与纹理特征量 | 第63-64页 |
| 3.4.3 基于改进HSIM函数的密度聚类 | 第64-65页 |
| 3.5 本章小结 | 第65-66页 |
| 第4章 基于时间序列的改进GMM变电站视频目标检测方法 | 第66-79页 |
| 4.1 运动目标检测的主要研究方法 | 第66-69页 |
| 4.2 基于混合高斯模型的背景更新方法 | 第69-71页 |
| 4.3 基于时间序列的改进混合高斯模型 | 第71-77页 |
| 4.3.1 基于时间序列的数据挖掘 | 第72-73页 |
| 4.3.2 基于聚类的时间序列相似性分析方法 | 第73-77页 |
| 4.4 本章小结 | 第77-79页 |
| 第5章 智能变电站数据挖掘平台框架的设计与实验分析 | 第79-94页 |
| 5.1 智能变电站辅助应用数据挖掘平台设计 | 第79-81页 |
| 5.2 入侵检测分类方法的实验验证 | 第81-84页 |
| 5.2.1 实验对象 | 第81-82页 |
| 5.2.2 实验分析 | 第82-84页 |
| 5.3 变电站设备图像识别方法的实验验证 | 第84-88页 |
| 5.3.1 DENCLUE的学习率与方差 | 第84-86页 |
| 5.3.2 不同图像特征量选取的聚类分析 | 第86-88页 |
| 5.4 变电站监控视频运动目标检测的实验验证 | 第88-92页 |
| 5.4.1 视频中天气变化情况的检测 | 第88-91页 |
| 5.4.2 天气变化与设备运动的目标检测 | 第91-92页 |
| 5.5 本章小结 | 第92-94页 |
| 第6章 总结与展望 | 第94-96页 |
| 6.1 总结 | 第94-95页 |
| 6.2 后续工作展望 | 第95-96页 |
| 参考文献 | 第96-103页 |
| 在学研究成果 | 第103-104页 |
| 致谢 | 第104页 |
