以复合复小波系数为特征量的局部放电模式识别研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-16页 |
| ·GIS 局部放电模式识别的意义 | 第7-10页 |
| ·GIS 内部主要缺陷分析 | 第7-9页 |
| ·GIS 局部放电模式识别的意义 | 第9-10页 |
| ·局部放电模式识别研究发展现状 | 第10-14页 |
| ·放电模式 | 第11页 |
| ·局部放电模式特征参数提取 | 第11-13页 |
| ·局部放电模式识别分类决策 | 第13-14页 |
| ·本文研究的主要内容 | 第14-16页 |
| 2 以复小波系数为特征量的特征提取 | 第16-30页 |
| ·引言 | 第16页 |
| ·GIS 超高频局部放电特征量选取 | 第16-17页 |
| ·复小波变换 | 第17-19页 |
| ·小波变换和复小波变换的原理 | 第17-18页 |
| ·正交复小波的构造 | 第18-19页 |
| ·特征提取 | 第19-26页 |
| ·复合复小波系数的构造 | 第19-21页 |
| ·基于FCM 法的特征压缩 | 第21-25页 |
| ·特征提取算法实现 | 第25-26页 |
| ·最优参数的确定 | 第26-29页 |
| ·最佳复合复小波系数的确定 | 第27-28页 |
| ·最优复小波的选取 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 GIS 超高频局部放电试验研究 | 第30-39页 |
| ·引言 | 第30页 |
| ·缺陷模型及试验设备 | 第30-36页 |
| ·缺陷模型 | 第30-32页 |
| ·试验设备 | 第32-34页 |
| ·试验方法与步骤 | 第34-36页 |
| ·试验结果分析 | 第36-37页 |
| ·试验数据预处理 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于人工神经网络的模式识别 | 第39-50页 |
| ·引言 | 第39页 |
| ·神经网络的选取 | 第39-41页 |
| ·RBF 神经网络 | 第41-45页 |
| ·RBF 网络的结构与工作原理 | 第41-43页 |
| ·RBF 网络的学习算法 | 第43-45页 |
| ·局部放电模式识别结果分析 | 第45-49页 |
| ·单一复小波系数的模式识别 | 第46-47页 |
| ·复合复小波系数的模式识别 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 5 结论与展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 附录 A | 第57-58页 |
| 附录 B | 第58页 |
