| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及意义 | 第10-13页 |
| 1.1.1 课题的研究背景 | 第10-11页 |
| 1.1.2 课题的研究意义 | 第11-13页 |
| 1.2 国内外研究现状概述 | 第13-15页 |
| 1.2.1 线损研究现状概述 | 第13-15页 |
| 1.2.2 深度学习算法研究现状概述 | 第15页 |
| 1.3 本文所做的工作 | 第15-17页 |
| 第2章 深度学习理论 | 第17-25页 |
| 2.1 深度学习模型 | 第17-24页 |
| 2.1.1 自动编码器 | 第17-18页 |
| 2.1.2 受限玻尔兹曼机 | 第18-20页 |
| 2.1.3 深度置信网络 | 第20-21页 |
| 2.1.4 深层神经网络 | 第21-22页 |
| 2.1.5 卷积神经网络 | 第22-24页 |
| 2.2 本章小结 | 第24-25页 |
| 第3章 基于DBN-DNN的理论线损率计算方法 | 第25-45页 |
| 3.1 基于电网络理论的理论线损率分析 | 第25-30页 |
| 3.1.1 电网络模型 | 第25-29页 |
| 3.1.2 节点注入功率影响分析 | 第29页 |
| 3.1.3 网络参数变化影响分析 | 第29-30页 |
| 3.2 基于DBN-DNN的理论线损率计算方法 | 第30-36页 |
| 3.2.1 建立基于DBN-DNN的理论线损率计算模型 | 第30-33页 |
| 3.2.2 基于DBN-DNN的理论线损率计算模型的训练方法 | 第33-34页 |
| 3.2.3 基于DBN-DNN的理论线损率计算流程 | 第34-36页 |
| 3.3 算例分析 | 第36-44页 |
| 3.3.1 基于DBN-DNN模型的性能分析 | 第37-39页 |
| 3.3.2 基于DBN-DNN的理论线损率计算方法误差分析 | 第39-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于关联规则与深度置信网络的理论线损率分析 | 第45-61页 |
| 4.1 数据挖掘理论概述 | 第45-47页 |
| 4.2 基于关联规则分析的理论线损率影响因素分析 | 第47-55页 |
| 4.2.1 关联规则分析的基本概念及算法 | 第47-49页 |
| 4.2.2 基于关联规则分析的理论线损率影响因素分析流程 | 第49-50页 |
| 4.2.3 算例分析 | 第50-55页 |
| 4.3 基于深度置信网络的理论线损率分析 | 第55-60页 |
| 4.3.1 基于深度置信网络的理论线损率分析流程 | 第55-57页 |
| 4.3.2 算例分析 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67-73页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第73-74页 |
| 致谢 | 第74页 |
