| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 引言 | 第7-13页 |
| ·选题背景及研究意义 | 第7页 |
| ·数据挖掘的研究现状 | 第7-10页 |
| ·数据挖掘概念的提出 | 第7-8页 |
| ·数据挖掘相关技术的研究现状 | 第8-9页 |
| ·数据挖掘技术在电力系统中的应用现状 | 第9-10页 |
| ·变压器故障诊断研究现状 | 第10-12页 |
| ·传统的变压器故障诊断方法 | 第10页 |
| ·各种智能方法在变压器故障诊断中的研究现状 | 第10-11页 |
| ·多贝叶斯分类器在变压器故障诊断中的应用分析 | 第11-12页 |
| ·论文的主要研究工作及组织结构 | 第12-13页 |
| 第二章 常见贝叶斯分类器的分类原理 | 第13-25页 |
| ·贝叶斯网络 | 第13-18页 |
| ·贝叶斯网络简介 | 第13-14页 |
| ·贝叶斯网络推理 | 第14-15页 |
| ·贝叶斯网络学习 | 第15-18页 |
| ·贝叶斯分类器简介及其分类模型的建立 | 第18-24页 |
| ·贝叶斯分类器 | 第18-19页 |
| ·朴素贝叶斯(NB)分类器模型 | 第19-20页 |
| ·选择贝叶斯(SB)分类器模型 | 第20-21页 |
| ·TAN 网络分类器模型 | 第21-22页 |
| ·BAN 网络分类器模型 | 第22-23页 |
| ·通用贝叶斯分类器模型 | 第23-24页 |
| ·小结 | 第24-25页 |
| 第三章 SVM 回归技术 | 第25-32页 |
| ·SVM 的基本思想 | 第25页 |
| ·SVM 回归技术简介 | 第25-31页 |
| ·工作集的选择 | 第28页 |
| ·拉格朗日乘子的更新 | 第28-29页 |
| ·简化的SMO 回归算法 | 第29-31页 |
| ·小结 | 第31-32页 |
| 第四章 基于多种贝叶斯分类器和SVM 相结合的故障组合诊断的原理与模型 | 第32-37页 |
| ·组合诊断的原理 | 第32页 |
| ·组合诊断的基本思想 | 第32-33页 |
| ·构建贝叶斯网络分类器与SVM 相结合的组合诊断模型 | 第33-34页 |
| ·构建组合诊断模型的相关技术点 | 第34-36页 |
| ·误差标准 | 第34-35页 |
| ·核函数的选取 | 第35页 |
| ·数据预处理 | 第35页 |
| ·诊断模型的自学习功能 | 第35-36页 |
| ·小结 | 第36-37页 |
| 第五章 变压器故障组合诊断系统 | 第37-48页 |
| ·数据挖掘系统的总体设计 | 第37-38页 |
| ·条件属性、决策属性的确定 | 第38-39页 |
| ·DGA 数据的离散化预处理 | 第39-40页 |
| ·组合诊断系统的样本集培训 | 第40-42页 |
| ·诊断实例分析 | 第42-44页 |
| ·系统的运行效果 | 第44-47页 |
| ·小结 | 第47-48页 |
| 第六章 结论 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 在学期间发表的学术论文和参加科研情况 | 第54页 |