| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-19页 |
| ·变压器故障诊断的背景和意义 | 第9-10页 |
| ·电力变压器故障诊断的研究现状与主要方法 | 第10-16页 |
| ·概述 | 第10页 |
| ·油中溶解气体法 | 第10-14页 |
| ·人工智能方法 | 第14-16页 |
| ·变压器故障诊断方法的分析 | 第16-17页 |
| ·论文的主要工作 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第2章 粗糙集理论介绍 | 第19-28页 |
| ·引言 | 第19页 |
| ·粗糙集的基本概念 | 第19-21页 |
| ·粗糙集理论的优点 | 第21页 |
| ·粗糙集理论中的数据预处理 | 第21-23页 |
| ·概述 | 第21-22页 |
| ·连续数据离散化方法 | 第22-23页 |
| ·决策属性表的约简及分类规则的提取 | 第23-26页 |
| ·粗糙集理论的应用 | 第26页 |
| ·粗糙集理论在电力变压器故障诊断中的应用思路 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于概率神经网络的变压器故障诊断 | 第28-44页 |
| ·引言 | 第28页 |
| ·神经网络基础 | 第28-31页 |
| ·神经元模型 | 第28-29页 |
| ·神经网络的拓扑结构 | 第29-30页 |
| ·神经网络的学习机制 | 第30-31页 |
| ·反向传播(BP)网络 | 第31-34页 |
| ·BP网络的工作原理 | 第31-34页 |
| ·BP神经网络的优缺点 | 第34-35页 |
| ·概率神经网络的优点 | 第35-36页 |
| ·概率神经网络(PNN)国内外研究动态 | 第36页 |
| ·概率神经网络的基本原理 | 第36-39页 |
| ·模式识别的Bayes分类规则 | 第36-37页 |
| ·两类分类问题的概率神经网络模型 | 第37-38页 |
| ·多类分类问题的概率神经网络模型 | 第38页 |
| ·PNN网络的拓扑结构 | 第38-39页 |
| ·概率神经网络的平滑因子σ的优化 | 第39-40页 |
| ·基于概率神经网络的变压器故障诊断方法 | 第40-43页 |
| ·原始样本数据的预处理和网络的训练 | 第40-42页 |
| ·MATLAB7.0仿真和诊断结果 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 粗糙集-概率神经网络相结合的变压器故障诊断 | 第44-53页 |
| ·粗糙集-概率神经网络相结合方法的必要性 | 第44页 |
| ·RS与PNN结合进行变压器故障诊断 | 第44-51页 |
| ·RS与PNN结合进行变压器故障诊断步骤 | 第44-45页 |
| ·样本集的选取 | 第45-46页 |
| ·连续数据的离散化 | 第46-48页 |
| ·样本集的属性约简 | 第48-49页 |
| ·PNN网络的设计和训练 | 第49页 |
| ·用检验样本进行故障诊断 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 第5章 简单变压器故障诊断系统的实现 | 第53-63页 |
| ·前言 | 第53页 |
| ·变压器故障诊断系统的整体构造 | 第53-54页 |
| ·VB语言调用MATLAB7.0神经网络工具箱实现方法 | 第54-60页 |
| ·利用ActiveX技术实现 | 第54-56页 |
| ·简单变压器故障诊断系统的友好界面 | 第56页 |
| ·本文变压器故障诊断系统诊断界面和VB调用的程序 | 第56-60页 |
| ·诊断实例 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第6章 结束语 | 第63-64页 |
| ·总结 | 第63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69-73页 |
| 在硕士学习期间发表的学术论文和研究成果 | 第73页 |