| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 负载识别技术的研究背景及意义 | 第9页 |
| 1.2 国内外负载识别技术的研究现状 | 第9-12页 |
| 1.3 论文研究内容与组织结构 | 第12-14页 |
| 第二章 基于SVM的负载识别方法概述 | 第14-26页 |
| 2.1 支持向量机原理概述 | 第14-22页 |
| 2.1.1 统计学习理论 | 第15-18页 |
| 2.1.1.1 机器学习问题和方法 | 第15-16页 |
| 2.1.1.2 学习的一致性条件 | 第16页 |
| 2.1.1.3 VC维 | 第16-17页 |
| 2.1.1.4 推广性的界 | 第17-18页 |
| 2.1.1.5 结构风险最小化 | 第18页 |
| 2.1.2 支持向量机原理 | 第18-22页 |
| 2.1.3 核函数 | 第22页 |
| 2.2 基于SVM的负载识别方法总体框架 | 第22-24页 |
| 2.3 基于SVM的负载识别多分类器的训练及测试流程 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 负载电流数据采集及电流特性分析 | 第26-40页 |
| 3.1 负载电流数据采集 | 第26-27页 |
| 3.2 负载电流时域特性分析 | 第27-33页 |
| 3.3 负载电流频域特性分析 | 第33-38页 |
| 3.4 用于负载识别的电流特征量 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于SVM的负载识别多分类器设计 | 第40-49页 |
| 4.1 用SVM解决多分类问题的方法综述 | 第40-43页 |
| 4.2 基于one-against-one的负载识别SVM多分类器设计 | 第43页 |
| 4.3 基于遗传算法的SVM参数寻优 | 第43-48页 |
| 4.3.1 遗传算法概述 | 第44-46页 |
| 4.3.2 用于寻找最优SVM参数的遗传算法流程 | 第46-47页 |
| 4.3.3 遗传算法结合K折交叉验证寻找最优SVM参数 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 实验及分析 | 第49-58页 |
| 5.1 负载识别多分类器训练样本集和测试集的构建 | 第49-52页 |
| 5.1.1 训练样本集和测试集的构建过程 | 第50-51页 |
| 5.1.2 负载识别特征量的预处理 | 第51页 |
| 5.1.3 训练样本集与测试集的文件目录结构 | 第51-52页 |
| 5.2 针对单负载的负载识别多分类器训练及识别性能测试 | 第52-55页 |
| 5.3 针对混合负载的负载识别多分类器训练及识别性能测试 | 第55-58页 |
| 第六章 总结和展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 附录 | 第66页 |
