| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景与研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 城市照明系统故障诊断与预测研究现状 | 第13-14页 |
| 1.2.2 基于数据挖掘的故障诊断研究现状 | 第14-16页 |
| 1.2.3 基于数据挖掘的故障预测研究现状 | 第16-17页 |
| 1.3 本文研究目标与研究内容 | 第17-18页 |
| 1.4 论文的结构安排 | 第18-20页 |
| 第二章 城市照明系统概述及神经网络故障诊断与预测方法 | 第20-28页 |
| 2.1 城市照明系统概述及故障成因 | 第20-23页 |
| 2.2 基于人工神经网络故障诊断与预测方法 | 第23-27页 |
| 2.2.1 神经网络概述 | 第23-25页 |
| 2.2.2 基于神经网络的故障诊断与预测模型 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 路灯节点故障诊断模型研究 | 第28-53页 |
| 3.1 极限学习机概述 | 第28-31页 |
| 3.2 路灯节点故障诊断问题分析 | 第31-34页 |
| 3.3 具备自适应参数搜索的路灯故障诊断模型的建立 | 第34-44页 |
| 3.3.1 路灯节点故障诊断模型构建 | 第34-38页 |
| 3.3.2 引入增量更新改进的自适应参数搜索算法设计 | 第38-42页 |
| 3.3.3 路灯故障诊断模型处理流程 | 第42-44页 |
| 3.4 模型验证和结果分析 | 第44-52页 |
| 3.4.1 实验环境及实验设计 | 第44-46页 |
| 3.4.2 实验结果分析 | 第46-52页 |
| 3.4.2.1 引入自适应参数搜索对故障诊断效果的提升实验 | 第46-50页 |
| 3.4.2.2 引入外部特征属性对故障诊断效果的提升实验 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 路灯配电系统故障预测模型研究 | 第53-73页 |
| 4.1 时间序列模型概述 | 第53-54页 |
| 4.2 路灯配电系统故障预测问题分析 | 第54-56页 |
| 4.3 带衰减滑动时间窗口改进的路灯配电系统预测模型的建立 | 第56-64页 |
| 4.3.1 自回归极限学习机预测模型构建 | 第56-58页 |
| 4.3.2 带衰减时间窗口改进的学习算法设计 | 第58-63页 |
| 4.3.3 路灯配电系统故障预测模型工作流程 | 第63-64页 |
| 4.4 模型验证与结果分析 | 第64-72页 |
| 4.4.1 实验环境及实验设计 | 第64-65页 |
| 4.4.2 实验结果分析 | 第65-72页 |
| 4.4.2.1 引入自回归模型对预测效果的影响实验 | 第65-69页 |
| 4.4.2.2 引入衰减时间窗口对预测效果的影响实验 | 第69-70页 |
| 4.4.2.3 引入外部数据对预测效果的影响实验 | 第70-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 城市照明智能故障诊断与预测原型系统的设计与实现 | 第73-84页 |
| 5.1 原型系统功能划分 | 第73-74页 |
| 5.2 原型系统整体开发设计及实现 | 第74-83页 |
| 5.2.1 原型系统开发流程说明 | 第74-75页 |
| 5.2.2 数据库设计 | 第75-76页 |
| 5.2.3 系统功能实现与核心模块软件流程分析 | 第76-83页 |
| 5.2.3.1 路灯故障诊断模块软件处理流程分析与实现 | 第78-82页 |
| 5.2.3.2 配电系统的故障预测模块软件处理流程分析与实现 | 第82-83页 |
| 5.3 本章小结 | 第83-84页 |
| 第六章 全文总结与展望 | 第84-86页 |
| 6.1 全文总结 | 第84-85页 |
| 6.2 后续工作展望 | 第85-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-92页 |
