| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外大数据和机器学习研究现状 | 第13-14页 |
| 1.3 机器学习在电气工程中的应用案例 | 第14-15页 |
| 1.4 论文主要工作 | 第15-16页 |
| 第2章 大数据和机器学习技术介绍与分析 | 第16-33页 |
| 2.1 大数据技术介绍与分析 | 第16-24页 |
| 2.1.1 Hadoop的概念介绍及原理分析 | 第16-19页 |
| 2.1.2 Spark的概念介绍和原理分析 | 第19-22页 |
| 2.1.3 其他常用大数据技术介绍 | 第22-24页 |
| 2.2 机器学习技术介绍与分析 | 第24-32页 |
| 2.2.1 典型有监督学习方法的概念介绍及原理分析 | 第24-27页 |
| 2.2.2 典型无监督学习方法的概念介绍及原理分析 | 第27-29页 |
| 2.2.3 典型强化学习方法的概念介绍及原理分析 | 第29页 |
| 2.2.4 机器学习中的泛化能力和评价指标介绍 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 在线机器学习算法的改造研究 | 第33-46页 |
| 3.1 传统机器学习算法的在线化改造研究 | 第33-40页 |
| 3.1.1 基于梯度下降法的在线化改造研究 | 第34-37页 |
| 3.1.2 基于牛顿法的在线化改造研究 | 第37-39页 |
| 3.1.3 梯度下降法和牛顿法的对比 | 第39-40页 |
| 3.2 在线机器学习算法在大数据环境下的改造研究 | 第40-43页 |
| 3.2.1 基于样本维度的数据分割法 | 第41-42页 |
| 3.2.2 基于特征维度的数据分割法 | 第42-43页 |
| 3.2.3 数据分割方法的对比 | 第43页 |
| 3.3 在线机器学习在实际应用中的若干问题研究 | 第43-45页 |
| 3.3.1 在线算法的冷启动问题 | 第43-44页 |
| 3.3.2 在线算法的稀疏性问题 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 在线机器学习实验平台的设计与实现 | 第46-53页 |
| 4.1 实验平台的方案设计 | 第46-48页 |
| 4.1.1 运行环境的方案设计 | 第46-47页 |
| 4.1.2 开发工具的方案设计 | 第47-48页 |
| 4.2 实验平台的实现 | 第48-52页 |
| 4.2.1 运行环境的搭建实现 | 第48-50页 |
| 4.2.2 运行程序的编程实现 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 基于在线机器学习的电能质量扰动分类 | 第53-68页 |
| 5.1 电能质量扰动分类概述 | 第53-54页 |
| 5.2 电能质量数据集的生成与特征提取 | 第54-61页 |
| 5.2.1 基于数学模型的电能质量数据集生成 | 第54-57页 |
| 5.2.2 基于小波变换的电能质量特征提取 | 第57-61页 |
| 5.3 在线机器学习在电能质量扰动分类中的应用 | 第61-67页 |
| 5.3.1 传统机器学习算法的应用效果与分析 | 第61-63页 |
| 5.3.2 在线机器学习算法的应用效果与分析 | 第63-66页 |
| 5.3.3 大数据环境下的在线机器学习算法的应用效果与分析 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论和展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-72页 |
