| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.1.1 选题背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 课题研究现状及发展趋势 | 第9-14页 |
| 1.2.1 电缆故障的原因及类型 | 第9-10页 |
| 1.2.2 国内外研究现状 | 第10-14页 |
| 1.3 深度学习理论 | 第14-16页 |
| 1.4 课题的研究内容及主要工作 | 第16-18页 |
| 2 基于深度学习的电缆故障类型的识别 | 第18-36页 |
| 2.1 深度学习理论 | 第18-19页 |
| 2.2 深度信念网络 | 第19-26页 |
| 2.2.1 DBN的思想 | 第19页 |
| 2.2.2 DBN的结构 | 第19-20页 |
| 2.2.3 RBM | 第20-22页 |
| 2.2.4 RBM的训练 | 第22-24页 |
| 2.2.5 DBN的训练 | 第24-25页 |
| 2.2.6 Softmax回归模型 | 第25-26页 |
| 2.3 卷积神经网络 | 第26-35页 |
| 2.3.1 CNN的结构 | 第26-29页 |
| 2.3.2 CNN训练 | 第29-32页 |
| 2.3.3 基于CNN的电缆故障识别过程 | 第32页 |
| 2.3.4 输入信号的选择 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于相速度的电缆故障测距的研究 | 第36-41页 |
| 3.1 行波测距方法 | 第36-37页 |
| 3.2 相速度测距方法 | 第37-40页 |
| 3.2.1 采用电缆双端信号波形的相位差来计算电缆长度 | 第37-38页 |
| 3.2.2 将故障等效的阻抗融入到电缆中计算故障距离 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 4 基于MATLAB-GUI的系统仿真平台 | 第41-49页 |
| 4.1 平台开发环境 | 第41页 |
| 4.2 平台功能模块 | 第41-42页 |
| 4.3 仿真模型 | 第42-45页 |
| 4.3.1 参数设置 | 第42-43页 |
| 4.3.2 模型搭建 | 第43-45页 |
| 4.4 故障识别 | 第45-46页 |
| 4.5 数据采集 | 第46-47页 |
| 4.6 波形显示 | 第47页 |
| 4.7 本章小结 | 第47-49页 |
| 5 实验结果 | 第49-60页 |
| 5.1 网络训练 | 第49-56页 |
| 5.1.1 DBN训练 | 第49-53页 |
| 5.1.2 CNN训练 | 第53-56页 |
| 5.2 测试结果 | 第56-57页 |
| 5.2.1 DBN | 第56页 |
| 5.2.2 CNN | 第56-57页 |
| 5.3 实验结果对比 | 第57-58页 |
| 5.4 故障测距 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 结论 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |