| 摘要 | 第1-8页 |
| Abstract | 第8-12页 |
| 第一章 绪论 | 第12-29页 |
| ·引言 | 第12-14页 |
| ·软计算方法及其特点 | 第14-17页 |
| ·几种重要的软计算方法 | 第17-20页 |
| ·粗糙集 | 第17-18页 |
| ·模糊集 | 第18-19页 |
| ·神经网络 | 第19-20页 |
| ·混合计算智能 | 第20-23页 |
| ·粗糙集、模糊逻辑与神经网络的结合 | 第21页 |
| ·小波、粗糙集与神经网络的结合 | 第21-22页 |
| ·粗糙集、神经网络与专家系统的结合 | 第22-23页 |
| ·电力系统故障诊断中存在的若干问题 | 第23-25页 |
| ·软计算方法在电力系统故障诊断中的优越性 | 第25-26页 |
| ·软计算方法在电力系统中的应用现状 | 第26-27页 |
| ·论文的主要工作 | 第27-29页 |
| 第二章 软计算方法的基本计算模型 | 第29-36页 |
| ·粗集计算 | 第29-30页 |
| ·模糊计算 | 第30-31页 |
| ·神经计算 | 第31-34页 |
| ·信息的前向传播 | 第32页 |
| ·误差的反向传播 | 第32-34页 |
| ·软计算方法的集成模式研究 | 第34-36页 |
| ·软计算方法的组合集成 | 第34页 |
| ·软计算方法的分层集成 | 第34-35页 |
| ·软计算方法的容错集成 | 第35页 |
| ·软计算方法的综合集成 | 第35-36页 |
| 第三章 基于粗糙集、模糊集和证据理论的变压器故障诊断方法 | 第36-48页 |
| ·问题的提出 | 第36页 |
| ·模糊逻辑基础 | 第36-37页 |
| ·两个论域粗集 | 第37-38页 |
| ·证据理论 | 第38-40页 |
| ·变压器故障诊断证据推理模型 | 第40-41页 |
| ·基于粗糙集、模糊集和证据推理的变压器故障诊断方法 | 第41-47页 |
| ·小结 | 第47-48页 |
| 第四章 基于粗集、模糊集和贝叶斯最优分类器的变压器故障诊断方法 | 第48-63页 |
| ·问题的描述 | 第48-49页 |
| ·贝叶斯最优分类器 | 第49-51页 |
| ·贝叶斯法则 | 第49-50页 |
| ·贝叶斯最优分类器 | 第50-51页 |
| ·基于模糊逻辑的贝叶斯最优分类器 | 第51-52页 |
| ·基于VAGUE集的贝叶斯最优分类器 | 第52-57页 |
| ·VAGUE集 | 第52-53页 |
| ·基于VAGUE集的贝叶斯最优分类器 | 第53-57页 |
| ·贝叶斯风险决策的概率粗模型 | 第57-62页 |
| ·小结 | 第62-63页 |
| 第五章 基于粗集和神经网络模型的变电站故障分层诊断方法 | 第63-82页 |
| ·问题的提出 | 第63-64页 |
| ·粗集理论基础 | 第64-65页 |
| ·多层感知器 | 第65-67页 |
| ·基于粗集理论的多区域神经分类器变电站故障诊断方法 | 第67-71页 |
| ·朴素贝叶斯学习器 | 第71-73页 |
| ·基于粗糙集理论的朴素贝叶斯学习器推理方法 | 第73-75页 |
| ·基于粗集和神经网络模型的变电站故障分层诊断 | 第75-76页 |
| ·变电站故障分层诊断过程 | 第76-81页 |
| ·小结 | 第81-82页 |
| 第六章 基于粗集理论的汽轮机振动故障集成神经网络诊断方法 | 第82-102页 |
| ·问题的提出 | 第82-83页 |
| ·系统描述 | 第83-84页 |
| ·基于KOHONEN网络的数据离散化方法 | 第84-87页 |
| ·基于粗集理论的决策表属性约简 | 第87-90页 |
| ·多层前馈神经网络设计 | 第90-92页 |
| ·集成神经网络设计 | 第92-100页 |
| ·小结 | 第100-102页 |
| 第七章 结论 | 第102-104页 |
| ·本文取得的主要研究成果 | 第102-103页 |
| ·需进一步研究的问题 | 第103-104页 |
| 致谢 | 第104-105页 |
| 参考文献 | 第105-119页 |
| 博士期间发表的论文及科研成果 | 第119-120页 |
