基于混合神经网络和集成学习的非侵入式负荷识别算法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究现状 | 第10-13页 |
| 1.3.1 非侵入式负荷监测概述 | 第10-12页 |
| 1.3.2 非侵入式识别算法研究现状 | 第12-13页 |
| 1.4 论文的主要工作 | 第13-14页 |
| 1.5 论文的组织结构 | 第14-15页 |
| 第2章 家庭用电数据集与用电特征 | 第15-21页 |
| 2.1 公开数据集 | 第15-16页 |
| 2.2 家庭用电特征 | 第16-20页 |
| 2.2.1 常用稳态特征 | 第16-18页 |
| 2.2.2 常用暂态特征 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 基于LSTM的负荷识别技术 | 第21-39页 |
| 3.1 数据预处理 | 第21-24页 |
| 3.1.1 时域特征 | 第21-22页 |
| 3.1.2 频域特征 | 第22-24页 |
| 3.2 评价指标 | 第24-25页 |
| 3.2.1 准确率 | 第24-25页 |
| 3.2.2 查准率、查全率、F1值 | 第25页 |
| 3.3 人工神经网络 | 第25-27页 |
| 3.4 循环神经网络 | 第27-29页 |
| 3.4.1 循环神经网络概述 | 第27-28页 |
| 3.4.2 长短期记忆网络 | 第28-29页 |
| 3.5 初始实验及结果分析 | 第29-34页 |
| 3.5.1 实验思路 | 第29-31页 |
| 3.5.2 实验过程及结果 | 第31-34页 |
| 3.5.3 实验结果分析及拓展 | 第34页 |
| 3.6 混合神经网络模型 | 第34-36页 |
| 3.7 最终实验过程及结果分析 | 第36-38页 |
| 3.7.1 实验环境和数据准备 | 第36页 |
| 3.7.2 实验结果及分析 | 第36-38页 |
| 3.8 本章小结 | 第38-39页 |
| 第4章 基于随机森林的非侵入式负荷识别算法 | 第39-48页 |
| 4.1 集成学习 | 第39-44页 |
| 4.1.1 集成学习概述 | 第39-40页 |
| 4.1.2 Boosting | 第40-41页 |
| 4.1.3 Bagging与随机森林 | 第41-42页 |
| 4.1.4 偏差与方差 | 第42-44页 |
| 4.2 基于混合神经网络模型的集成学习方法 | 第44-46页 |
| 4.3 实验结果 | 第46页 |
| 4.4 本章小结 | 第46-48页 |
| 第5章 总结与展望 | 第48-49页 |
| 5.1 本文工作总结 | 第48页 |
| 5.2 后续工作展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第52-53页 |
| 致谢 | 第53页 |
