| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 专家系统 | 第11页 |
| 1.2.2 优化技术 | 第11-12页 |
| 1.2.3 Petri网 | 第12页 |
| 1.2.4 多Agent系统 | 第12页 |
| 1.2.5 人工神经网络 | 第12-13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 第二章 萤火虫算法的描述及改进 | 第14-22页 |
| 2.1 萤火虫算法的仿生原理 | 第14页 |
| 2.2 萤火虫算法描述 | 第14-18页 |
| 2.2.1 荧光素值更新 | 第15-16页 |
| 2.2.2 选择优秀个体 | 第16页 |
| 2.2.3 萤火虫位置更新 | 第16-17页 |
| 2.2.4 更新邻域半径 | 第17页 |
| 2.2.5 伪代码表示及算法步骤 | 第17-18页 |
| 2.3 萤火虫算法的优缺点及改进 | 第18-20页 |
| 2.3.1 萤火虫算法的优缺点 | 第18-19页 |
| 2.3.2 萤火虫算法的改进 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 人工神经网络描述 | 第22-38页 |
| 3.1 人工神经网络 | 第22-28页 |
| 3.1.1 人工神经网络的发展 | 第22-23页 |
| 3.1.2 人工神经网络模型 | 第23-25页 |
| 3.1.3 人工神经网络的学习方式 | 第25页 |
| 3.1.4 人工神经网络的学习算法 | 第25-27页 |
| 3.1.5 神经网络的模型分类 | 第27-28页 |
| 3.2 BP神经网络 | 第28-34页 |
| 3.2.1 BP神经网络的学习过程 | 第29-33页 |
| 3.2.2 BP神经网络的数学基础 | 第33-34页 |
| 3.3 BP神经网络在故障诊断中的应用 | 第34-35页 |
| 3.4 BP神经网络的改进点 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 基于改进萤火虫优化BP神经网络的设计 | 第38-42页 |
| 4.1 GSO算法优化BP神经网络 | 第38-39页 |
| 4.2 改进萤火虫优化BP神经网络(LGSO-BP) | 第39-40页 |
| 4.3 LGSO-BP算法性能测试 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于LGSO-BP的电网区域故障诊断及仿真 | 第42-52页 |
| 5.1 LGSO-BP故障区域定位原理 | 第42页 |
| 5.2 故障诊断模型 | 第42-44页 |
| 5.2.1 配电网的拓扑分析 | 第42-43页 |
| 5.2.2 故障决策表的获取 | 第43-44页 |
| 5.2.3 故障样本信息的获取 | 第44页 |
| 5.3 LGSO算法建模 | 第44-46页 |
| 5.4 BP神经网络建模 | 第46-47页 |
| 5.5 实验与仿真分析 | 第47-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 论文总结 | 第52页 |
| 6.2 研究展望 | 第52-54页 |
| 致谢 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 附录 (攻读硕士学位期间的学术成果) | 第62页 |