| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究应用现状 | 第13-14页 |
| 1.2.1 智能电能表发展现状 | 第13-14页 |
| 1.2.2 信息融合的应用 | 第14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第2章 相关知识介绍 | 第17-26页 |
| 2.1 信息融合的概述 | 第17-19页 |
| 2.2 特征降维技术 | 第19-21页 |
| 2.2.1 主成分分析技术 | 第20页 |
| 2.2.2 遗传算法特征选择 | 第20-21页 |
| 2.2.3 ReliefF特征选择 | 第21页 |
| 2.3 监督分类技术介绍 | 第21-24页 |
| 2.3.1 K-近邻算法 | 第22-23页 |
| 2.3.2 贝叶斯分类 | 第23页 |
| 2.3.3 支持向量机 | 第23-24页 |
| 2.4 分类性能评价 | 第24-25页 |
| 2.4.1 保持法 | 第24页 |
| 2.4.2 交叉验证法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于最大间隔贝叶斯网分类器的智能电能表状态评价 | 第26-43页 |
| 3.1 贝叶斯网络简介 | 第26-31页 |
| 3.1.1 贝叶斯网的概念 | 第26页 |
| 3.1.2 贝叶斯网参数学习 | 第26-30页 |
| 3.1.3 贝叶斯网结构学习 | 第30-31页 |
| 3.2 基于最大间隔贝叶斯网分类器智能电能表运行状态评价方法 | 第31-35页 |
| 3.2.1 数据预处理 | 第31-32页 |
| 3.2.2 数据特征提取 | 第32-33页 |
| 3.2.3 最大间隔贝叶斯网分类器对智能电能表状态分类 | 第33-35页 |
| 3.3 实验结果分析 | 第35-42页 |
| 3.3.1 数据描述 | 第35-39页 |
| 3.3.2 实验环境 | 第39-40页 |
| 3.3.3 实验结果 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于选择性集成的智能电能表状态评价方法 | 第43-53页 |
| 4.1 单一分类器状态评价的不足 | 第43页 |
| 4.2 集成学习 | 第43-46页 |
| 4.2.1 集成学习的构成方法 | 第43-44页 |
| 4.2.2 集成学习的差异性 | 第44-45页 |
| 4.2.3 集成学习算法 | 第45-46页 |
| 4.3 基于选择性集成的智能电能表状态评价方法 | 第46-50页 |
| 4.4 实验结果分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 作者简介 | 第57-58页 |
| 致谢 | 第58页 |
