基于模式识别和集成学习的电力系统暂态稳定评估
| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 引言 | 第7-14页 |
| ·选题的背景及意义 | 第7-8页 |
| ·研究的内容和现状 | 第8-12页 |
| ·电力系统暂态稳定评估的研究现状 | 第8-10页 |
| ·模式识别及分类器集成的研究现状 | 第10-12页 |
| ·本论文的主要工作 | 第12-14页 |
| 第二章 分类器和分类器集成学习 | 第14-25页 |
| ·引言 | 第14页 |
| ·分类器 | 第14-20页 |
| ·分类理论 | 第14-15页 |
| ·分类器模型构造方法 | 第15-20页 |
| ·分类器评价标准 | 第20页 |
| ·分类器集成学习 | 第20-24页 |
| ·Bagging | 第21-22页 |
| ·Boosting | 第22-24页 |
| ·Bagging 和 Boosting 的比较 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第三章 特征量的选择和样本的组织 | 第25-41页 |
| ·引言 | 第25-26页 |
| ·特征量选择的原理 | 第26页 |
| ·特征量选择的原则 | 第26-27页 |
| ·待选特征量的选取 | 第27-30页 |
| ·基于灰色关联聚类的特征量选择方法 | 第30-34页 |
| ·灰色关联分析 | 第30-32页 |
| ·灰色关联聚类 | 第32-33页 |
| ·灰色关联因素和关联算子集 | 第33-34页 |
| ·算法流程 | 第34-35页 |
| ·算例分析 | 第35-39页 |
| ·仿真软件简介 | 第35-37页 |
| ·灰色关联聚类筛选结果与分析 | 第37-39页 |
| ·本章小结 | 第39-41页 |
| 第四章 基于集成学习的贝叶斯分类器暂态稳定评估 | 第41-56页 |
| ·引言 | 第41页 |
| ·贝叶斯网络分类器 | 第41-44页 |
| ·贝叶斯网络 | 第41-43页 |
| ·朴素贝叶斯分类器 | 第43-44页 |
| ·朴素贝叶斯分类器集成学习的实现 | 第44-45页 |
| ·样本数据的离散化 | 第45-46页 |
| ·基于集成学习的评估流程 | 第46-47页 |
| ·基于 Bagging 的评估流程 | 第46页 |
| ·基于 AdaBoost 的评估流程 | 第46-47页 |
| ·算例分析 | 第47-55页 |
| ·数据离散化 | 第47-50页 |
| ·基于 Bagging 暂态稳定评估 | 第50-52页 |
| ·基于 Adaboost 暂态稳定评估 | 第52-53页 |
| ·分类器评估性能的比较 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 结论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 在学期间发表的学术论文和参加科研情况 | 第63页 |
