| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 GIS 局部放电背景与意义 | 第10页 |
| 1.1.2 GIS 局部放电检测方法 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 粒子群算法的研究现状 | 第11-12页 |
| 1.2.2 支持向量机的研究现状 | 第12-13页 |
| 1.3 本文的主要工作 | 第13-15页 |
| 第二章 基本知识 | 第15-29页 |
| 2.1 机器学习的基本问题 | 第15-17页 |
| 2.1.1 机器学习理论 | 第15-16页 |
| 2.1.2 VC 维理论和结构风险最小原则 | 第16-17页 |
| 2.2 支持向量机算法概述 | 第17-23页 |
| 2.2.1 线性支持向量机 | 第17-20页 |
| 2.2.2 非线性支持向量机 | 第20-22页 |
| 2.2.3 多分类支持向量机 | 第22页 |
| 2.2.4 K 折交叉验证 | 第22-23页 |
| 2.3 粒子群算法概述 | 第23-24页 |
| 2.3.1 粒子群算法的原理 | 第23-24页 |
| 2.3.2 粒子群算法流程 | 第24页 |
| 2.4 GIS 局部放电的基本概念 | 第24-28页 |
| 2.4.1 GIS 局部放电故障类型 | 第24-25页 |
| 2.4.2 GIS 局部放电检测方法 | 第25-27页 |
| 2.4.3 GIS 局部放电的 UHF 图谱特征 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 粒子群优化支持向量机 | 第29-42页 |
| 3.1 改进的粒子群算法 | 第29-36页 |
| 3.1.1 粒子群算法惯性权重的改进 | 第29-31页 |
| 3.1.2 基于趋同性和迭代次数动态调整改进的 PSO 算法 | 第31-33页 |
| 3.1.3 MPSO 算法惯性权重的参数选取 | 第33-35页 |
| 3.1.4 算法实验与分析 | 第35-36页 |
| 3.2 改进粒子群优化支持向量机 | 第36-40页 |
| 3.2.0 核函数的选取 | 第36-39页 |
| 3.2.1 改进 PSO-SVM 算法流程 | 第39-40页 |
| 3.3 实例仿真与分析 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 改进的 PSO-SVM 在 GIS 中的应用 | 第42-51页 |
| 4.1 GIS 局部放电特征的提取 | 第42-45页 |
| 4.1.1 本文研究的故障类型与数据来源 | 第42页 |
| 4.1.2 GIS 局部放电特征提取方法 | 第42-43页 |
| 4.1.3 统计特征参数 | 第43-45页 |
| 4.2 GIS 局部放电特征降维 | 第45-48页 |
| 4.2.1 主成分分析理论 | 第45-47页 |
| 4.2.2 主成分分析的计算步骤 | 第47-48页 |
| 4.2.3 GIS 局部放电特征降维 | 第48页 |
| 4.3 改进的 PSO-SVM 在 GIS 局部放电上的应用 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58-59页 |
| 附件 | 第59页 |
