| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 电能质量问题国内外研究现状 | 第11-16页 |
| 1.2.1 电能质量扰动消噪的研究现状 | 第11-13页 |
| 1.2.2 电能质量扰动识别的研究现状 | 第13-15页 |
| 1.2.3 原子分解算法的研究现状 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 第2章 电能质量问题分析及扰动信号建模 | 第17-26页 |
| 2.1 电能质量概述 | 第17-20页 |
| 2.1.1 电能质量定义 | 第17-18页 |
| 2.1.2 电能质量特点 | 第18页 |
| 2.1.3 电能质量分类 | 第18-20页 |
| 2.2 电能质量扰动信号数学模型 | 第20-25页 |
| 2.2.1 单一扰动信号建模 | 第20-23页 |
| 2.2.2 多重扰动信号建模 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 原子分解算法及其优化 | 第26-40页 |
| 3.1 信号的原子稀疏分解 | 第26-27页 |
| 3.1.1 信号的表示 | 第26页 |
| 3.1.2 信号的原子稀疏分解 | 第26-27页 |
| 3.2 Gabor原子库及其离散优化处理 | 第27-29页 |
| 3.2.1 Gabor原子库 | 第27-28页 |
| 3.2.2 Gabor原子库离散优化处理 | 第28-29页 |
| 3.3 原子分解的主要算法 | 第29-32页 |
| 3.3.1 匹配追踪算法 | 第29-31页 |
| 3.3.2 正交匹配追踪算法 | 第31-32页 |
| 3.4 原子分解算法的优化 | 第32-37页 |
| 3.4.1 粒子群算法概述 | 第32-34页 |
| 3.4.2 粒子群优化匹配追踪算法（PSO-MP） | 第34-35页 |
| 3.4.3 粒子群优化正交匹配追踪算法（PSO-OMP） | 第35-37页 |
| 3.5 算法的实现及性能分析 | 第37-39页 |
| 3.5.1 基于PSO-MP和PSO-OMP的信号重构性能比较 | 第37-38页 |
| 3.5.2 PSO-MP和PSO-OMP算法收敛性比较 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于PSO-OMP算法的电能质量扰动信号的消噪 | 第40-50页 |
| 4.1 电能质量扰动信号消噪的重要性 | 第40页 |
| 4.2 基于PSO-OMP算法的信号消噪原理及方法 | 第40-44页 |
| 4.2.1 信噪模型 | 第40-41页 |
| 4.2.2 基于PSO-OMP算法的消噪原理 | 第41页 |
| 4.2.3 相干比阈值λ的确定 | 第41-43页 |
| 4.2.4 相干比阈值λ和信号长度N的关系 | 第43-44页 |
| 4.3 PSO-OMP算法与小波变换法的消噪性能比较 | 第44-45页 |
| 4.4 基于PSO-OMP算法的消噪仿真结果 | 第45-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于PSO-OMP算法和RBF神经网络的电能质量扰动识别 | 第50-61页 |
| 5.1 电能质量扰动识别原理 | 第50-51页 |
| 5.2 特征提取 | 第51-52页 |
| 5.2.1 构建工频信号原子库及特征量提取 | 第51-52页 |
| 5.2.2 工频信号幅值修正 | 第52页 |
| 5.3 径向基函数神经网络 | 第52-55页 |
| 5.3.1 RBF神经元及网络结构 | 第52-54页 |
| 5.3.2 RBF网络的学习 | 第54页 |
| 5.3.3 构建RBF网络 | 第54-55页 |
| 5.4 仿真分析 | 第55-60页 |
| 5.4.1 采用不同信噪比测试样本对识别效果的影响 | 第55-59页 |
| 5.4.2 原子分解优化算法与小波变换识别效果比较 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第67-68页 |
| 致谢 | 第68页 |
