致谢 | 第5-6页 |
摘要 | 第6-7页 |
Abstract | 第7-8页 |
1 绪论 | 第11-19页 |
1.1 课题研究背景与意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-16页 |
1.2.1 线性因果分析方法 | 第12-13页 |
1.2.2 非线性因果分析方法 | 第13-16页 |
1.3 主要研究内容 | 第16-19页 |
2 格兰杰因果与基于趋势分析的非线性因果分析方法 | 第19-29页 |
2.1 引言 | 第19页 |
2.2 格兰杰因果关系 | 第19-22页 |
2.3 基于趋势分析的非线性因果分析方法 | 第22-28页 |
2.3.1 信息论中熵与互信息的概念 | 第22-23页 |
2.3.2 基于定性趋势分析的非线性因果分析方法 | 第23-28页 |
2.3.2.1 因果分析定义式与计算式 | 第23-25页 |
2.3.2.2 定性趋势分析法获取变量统计学特性 | 第25-27页 |
2.3.2.3 算法参数选择 | 第27-28页 |
2.4 本章小结 | 第28-29页 |
3 多种非线性因果检测方法对比与数据分析 | 第29-45页 |
3.1 引言 | 第29页 |
3.2 K阶最近邻域算法 | 第29-31页 |
3.3 基于数据排序的非线性因果分析算法 | 第31-32页 |
3.4 非线性模型因果分析及方法比较 | 第32-43页 |
3.4.1 非线性单向因果多项式模型 | 第32-37页 |
3.4.1.1 三种方法对比分析 | 第33-36页 |
3.4.1.2 QSA方法参数分析 | 第36-37页 |
3.4.2 两系统间非线性因果关系分析 | 第37-40页 |
3.4.3 TE仿真工业模型因果关系检测分析 | 第40-43页 |
3.5 本章小结 | 第43-45页 |
4 改进KNN算法对Anticipation型数据的因果关系分析 | 第45-59页 |
4.1 引言 | 第45页 |
4.2 Anticipation关系阐述 | 第45-47页 |
4.3 K阶最近邻域算法检测因果关系的原理 | 第47-51页 |
4.4 引入“父结点”作为条件信息简化条件互信息计算公式 | 第51-54页 |
4.5 利用KNN算法引入父结点检测Anticipation型数据的因果关系 | 第54-58页 |
4.5.1 利用KNN算法引入父结点作为条件变量 | 第54-58页 |
4.6 本章小结 | 第58-59页 |
5 TE过程因果传导路径分析与振荡源诊断 | 第59-75页 |
5.1 引言 | 第59页 |
5.2 TE过程简介 | 第59-61页 |
5.3 振荡TE过程及被研究变量 | 第61-63页 |
5.4 方法介绍 | 第63-73页 |
5.4.1 17回路两两相关性检测 | 第63-65页 |
5.4.2 判断直接作用与间接作用 | 第65-66页 |
5.4.3 判断因果作用的方向 | 第66-68页 |
5.4.4 振荡传播路径与因果作用回路检测分析 | 第68-73页 |
5.5 本章小结 | 第73-75页 |
6 总结与展望 | 第75-79页 |
6.1 工作总结 | 第75-76页 |
6.2 研究展望 | 第76-79页 |
参考文献 | 第79-85页 |
作者简历 | 第85-87页 |
攻读学位期间取得的研究成果 | 第87页 |