| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 高压断路器故障诊断研究现状 | 第9-10页 |
| 1.2.2 深度学习的发展及其在故障诊断中的研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-15页 |
| 1.3.1 本文的研究内容 | 第11-12页 |
| 1.3.2 本文的章节安排 | 第12-15页 |
| 第二章 深度学习关键技术 | 第15-27页 |
| 2.1 传统神经网络模型 | 第15-19页 |
| 2.1.1 神经网络基本概念 | 第15-16页 |
| 2.1.2 反向传播神经网络 | 第16-19页 |
| 2.2 深度学习基本概念 | 第19-21页 |
| 2.3 深度学习关键算法 | 第21-24页 |
| 2.3.1 深度自编码器 | 第21-22页 |
| 2.3.2 深度卷积网络 | 第22-23页 |
| 2.3.3 深度信念网络 | 第23-24页 |
| 2.4 基于深度神经网络算法的故障诊断流程 | 第24-25页 |
| 2.5 本章小结 | 第25-27页 |
| 第三章 基于深度学习技术的高压断路器故障诊断算法 | 第27-49页 |
| 3.1 算法概述 | 第27页 |
| 3.2 故障诊断算法设计 | 第27-33页 |
| 3.2.1 网络预训练 | 第27-32页 |
| 3.2.2 参数微调 | 第32-33页 |
| 3.3 网络性能评估方法 | 第33-34页 |
| 3.4 算例试验与结果分析 | 第34-47页 |
| 3.4.1 故障模拟实验 | 第34-37页 |
| 3.4.2 网络训练样本集 | 第37-44页 |
| 3.4.3 实验结果对比与分析 | 第44-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 面向大数据的高压断路器信息挖掘与故障诊断一体化架构 | 第49-61页 |
| 4.1 数据库模块设计 | 第49-55页 |
| 4.2 数据处理与特征学习模块设计 | 第55-56页 |
| 4.3 高压输变电设备信息挖掘与故障诊断一体化架构 | 第56-59页 |
| 4.3.1 数据采集与数据库平台 | 第57页 |
| 4.3.2 特征提取与信息融合平台 | 第57页 |
| 4.3.3 分析决策与全景展示平台 | 第57-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 研究展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 作者在攻读硕士学位期间科研成果 | 第69页 |
