| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 电力变压器故障诊断研究现状 | 第12-14页 |
| 1.2.2 电力变压器故障预测研究现状 | 第14-17页 |
| 1.3 本文的主要工作和结构 | 第17-19页 |
| 第2章 支持向量机理论 | 第19-29页 |
| 2.1 统计学习理论 | 第19-20页 |
| 2.1.1 VC维理论 | 第19页 |
| 2.1.2 结构风险最小化原则 | 第19-20页 |
| 2.2 支持向量机分类 | 第20-24页 |
| 2.2.1 线性可分支持向量机 | 第20-22页 |
| 2.2.2 近似线性可分支持向量机 | 第22-23页 |
| 2.2.3 非线性支持向量机 | 第23-24页 |
| 2.3 支持向量机回归 | 第24-27页 |
| 2.3.1 线性回归情形 | 第25-26页 |
| 2.3.2 非线性回归情形 | 第26-27页 |
| 2.4 参数对支持向量机的影响 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 人工鱼群算法的支持向量机参数寻优 | 第29-42页 |
| 3.1 人工鱼群算法的原理 | 第29-33页 |
| 3.1.1 人工鱼模型 | 第29-30页 |
| 3.1.2 AFSA的基本行为描述 | 第30-31页 |
| 3.1.3 AFSA的算法流程 | 第31-33页 |
| 3.2 改进人工鱼群算法 | 第33-36页 |
| 3.2.1 现有人工鱼群算法的不足 | 第33-34页 |
| 3.2.2 人工鱼群算法的改进 | 第34-36页 |
| 3.3 AAFSA的有效性验证 | 第36-41页 |
| 3.3.1 典型函数的测试 | 第36-38页 |
| 3.3.2 优化SVM参数的测试 | 第38-41页 |
| 3.4 文章小结 | 第41-42页 |
| 第4章 纠错输出编码支持向量机的电力变压器故障诊断 | 第42-58页 |
| 4.1 电力变压器油中溶解气体的分析 | 第42-44页 |
| 4.1.1 油中溶解气体的来源 | 第42-43页 |
| 4.1.2 电力变压器故障类型与油中溶解气体的关系 | 第43-44页 |
| 4.2 支持向量机多分类算法 | 第44-46页 |
| 4.3 ECOC-SVMs算法 | 第46-50页 |
| 4.3.1 ECOC-SVMs的思路 | 第46-47页 |
| 4.3.2 ECOC-SVMs的编码矩阵 | 第47-49页 |
| 4.3.3 ECOC-SVMs的解码 | 第49-50页 |
| 4.4 聚类编码的ECOC-SVMs电力变压器故障诊断方法 | 第50-55页 |
| 4.4.1 聚类编码矩阵的构造 | 第50-52页 |
| 4.4.2 聚类编码的ECOC-SVMs在电力变压器故障诊断中的应用 | 第52-55页 |
| 4.5 混合编码的ECOC-SVMs电力变压器故障诊断方法 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 基于支持向量机的电力变压器故障组合预测 | 第58-68页 |
| 5.1 基于SVM的电力变压器故障预测 | 第58-60页 |
| 5.2 灰色预测模型的电力变压器故障预测 | 第60-65页 |
| 5.2.1 GM(1,1)模型 | 第61页 |
| 5.2.2 MGM(1,n)模型 | 第61-63页 |
| 5.2.3 改进MGM(1,n)的电力变压器故障预测 | 第63-65页 |
| 5.3 组合预测的电力变压器故障预测 | 第65-67页 |
| 5.3.1 组合预测的思想 | 第65页 |
| 5.3.2 基于SVM的电力变压器故障组合预测 | 第65-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间获得的科研成果 | 第75页 |
