| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及发展动态 | 第11-15页 |
| 1.2.1 基于DGA的变压器故障诊断 | 第11-13页 |
| 1.2.2 基于局部放电信号的变压器故障诊断 | 第13-14页 |
| 1.2.3 深度神经网络的研究现状 | 第14-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 论文结构 | 第16-17页 |
| 第2章 深度神经网络理论及结构 | 第17-26页 |
| 2.1 深度神经网络概述 | 第17-18页 |
| 2.2 卷积神经网络 | 第18-19页 |
| 2.3 深度自编码网络 | 第19-20页 |
| 2.4 深度信念网络 | 第20-25页 |
| 2.4.1 受限波尔兹曼机的结构和算法 | 第20-23页 |
| 2.4.2 深度信念网络的结构及其训练 | 第23-25页 |
| 2.4.3 深度信念网络存在的问题 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 贝叶斯正则化深度信念网络 | 第26-33页 |
| 3.1 贝叶斯正则化理论 | 第26-27页 |
| 3.2 贝叶斯正则化受限玻尔兹曼机 | 第27页 |
| 3.3 贝叶斯正则化深度信念网络模型 | 第27-32页 |
| 3.3.1 BR-DBN模型的构建 | 第27-28页 |
| 3.3.2 BR-DBN模型的训练 | 第28-32页 |
| 3.4 BR-DBN模型的性能测试 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于BR-DBN的变压器DGA故障诊断方法 | 第33-43页 |
| 4.1 确定输入输出节点 | 第33-34页 |
| 4.2 关键参数的设置 | 第34页 |
| 4.3 选取样本数据 | 第34-36页 |
| 4.4 变压器DGA故障诊断模型 | 第36-37页 |
| 4.4.1 模型的结构 | 第36页 |
| 4.4.2 模型的诊断流程 | 第36-37页 |
| 4.5 实验仿真及分析 | 第37-41页 |
| 4.5.1 不同层数和迭代次数下的仿真实验及分析 | 第38-39页 |
| 4.5.2 BR-DBN与BPNN、DBN方法的对比实验及分析 | 第39-41页 |
| 4.6 本章小结 | 第41-43页 |
| 第5章 基于BR-DBN的变压器局部放电模式识别方法 | 第43-51页 |
| 5.1 确定网络节点个数 | 第43-44页 |
| 5.2 选取样本数据 | 第44-45页 |
| 5.3 变压器局部放电模式识别模型 | 第45-46页 |
| 5.3.1 模型的结构 | 第45页 |
| 5.3.2 模型的识别流程 | 第45-46页 |
| 5.4 实验仿真及分析 | 第46-50页 |
| 5.4.1 不同迭代次数下的仿真实验及分析 | 第47-48页 |
| 5.4.2 BR-DBN与BPNN、DBN方法的对比实验及分析 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文 | 第56-57页 |
| 致谢 | 第57页 |
