| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 深度学习研究现状 | 第10页 |
| 1.2.2 传统变压器故障诊断方法 | 第10-12页 |
| 1.2.3 变压器故障智能诊断方法 | 第12-13页 |
| 1.3 论文研究内容及章节安排 | 第13-15页 |
| 第2章 深度学习概述 | 第15-23页 |
| 2.1 深度学习简介 | 第15-16页 |
| 2.1.1 深度学习的起源 | 第15页 |
| 2.1.2 深度学习的概念 | 第15页 |
| 2.1.3 深度学习的训练过程 | 第15-16页 |
| 2.2 常见的深度学习模型及方法 | 第16-20页 |
| 2.2.1 自动编码器和堆栈自编码网络 | 第16-18页 |
| 2.2.2 受限玻尔兹曼机和深度信念网络 | 第18-19页 |
| 2.2.3 卷积神经网络(CNN) | 第19-20页 |
| 2.3 深度学习的应用 | 第20-22页 |
| 2.3.1 深度学习的常见应用 | 第20-21页 |
| 2.3.2 深度学习在变压器故障诊断中的应用分析 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 深度学习混合网络研究 | 第23-33页 |
| 3.1 深度学习混合网络模型构建 | 第23页 |
| 3.2 深度学习混合网络分类原理 | 第23-26页 |
| 3.2.1 AE层的训练过程 | 第24页 |
| 3.2.2 RBM层的训练过程 | 第24-25页 |
| 3.2.3 微调 | 第25-26页 |
| 3.3 DLHN性能测试 | 第26-28页 |
| 3.4 基于深度学习混合网络的变压器故障诊断 | 第28-31页 |
| 3.4.1 样本的选取 | 第28-29页 |
| 3.4.2 样本的标准化 | 第29页 |
| 3.4.3 变压器状态编码 | 第29-30页 |
| 3.4.4 基于深度学习混合网络的变压器故障诊断模型 | 第30页 |
| 3.4.5 基于深度学习混合网络的变压器故障诊断方法 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 改进深度混合网络研究 | 第33-40页 |
| 4.1 改进深度混合网络模型构建 | 第33页 |
| 4.2 改进深度混合网络分类原理 | 第33-35页 |
| 4.2.1 DAE的训练过程 | 第34页 |
| 4.2.2 GRBM的训练过程 | 第34-35页 |
| 4.3 IDHN性能测试 | 第35-37页 |
| 4.4 基于改进深度混合网络的变压器故障诊断 | 第37-39页 |
| 4.4.1 样本的选取及预处理 | 第37页 |
| 4.4.2 基于IDHN的变压器故障诊断模型构建 | 第37-38页 |
| 4.4.3 基于IDHN的变压器故障诊断方法实现 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 变压器实例测试和分析 | 第40-45页 |
| 5.1 变压器故障诊断性能测试 | 第40-43页 |
| 5.1.1 基于DLHN的故障诊断性能测试 | 第40-41页 |
| 5.1.2 基于IDHN的变压器故障诊断性能测试 | 第41-42页 |
| 5.1.3 性能对比 | 第42-43页 |
| 5.2 实例分析 | 第43-44页 |
| 5.3 本章小结 | 第44-45页 |
| 第6章 结论与展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第49-50页 |
| 致谢 | 第50页 |