| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 整体研究流程和主要研究内容 | 第12-14页 |
| 1.4 论文组织 | 第14-16页 |
| 第二章 窃电行为检测数据及预处理 | 第16-22页 |
| 2.1 窃电行为检测数据介绍 | 第16-19页 |
| 2.1.1 数据简要介绍 | 第16-17页 |
| 2.1.2 数据可视化与数据的探索性分析 | 第17-19页 |
| 2.2 数据预处理 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 经典机器学习算法 | 第22-28页 |
| 3.1 特征工程 | 第22-23页 |
| 3.2 经典机器学习算法简要介绍 | 第23-26页 |
| 3.2.1 逻辑回归 | 第23-24页 |
| 3.2.2 决策树 | 第24页 |
| 3.2.3 随机森林 | 第24-25页 |
| 3.2.4 梯度提升树 | 第25-26页 |
| 3.3 本章小结 | 第26-28页 |
| 第四章 可更好捕捉数据时序信息的Multi-Scale DenseNet | 第28-35页 |
| 4.1 卷积神经网络 | 第28-31页 |
| 4.2 1D-DenseNet网络 | 第31-32页 |
| 4.3 Mult-Scale DenseNet网络 | 第32-34页 |
| 4.4 本章小结 | 第34-35页 |
| 第五章 可保持信息连贯性且更加高效的BPIE-BiSRNN模型 | 第35-43页 |
| 5.1 循环神经网络 | 第35-38页 |
| 5.1.1 循环神经网络 | 第35-36页 |
| 5.1.2 长短期记忆网络 | 第36-38页 |
| 5.2 BPIE-BiSRNN模型 | 第38-42页 |
| 5.3 本章小结 | 第42-43页 |
| 第六章 实验及分析 | 第43-52页 |
| 6.1 经典机器学习模型实验结果及分析 | 第43-46页 |
| 6.1.1 逻辑回归 | 第43页 |
| 6.1.2 决策树 | 第43-44页 |
| 6.1.3 随机森林 | 第44-45页 |
| 6.1.4 梯度提升树 | 第45-46页 |
| 6.2 基础深度学习模型实验结果及分析 | 第46-48页 |
| 6.2.1 卷积神经网络 | 第46-47页 |
| 6.2.2 循环神经网络 | 第47-48页 |
| 6.3 改进后的深度学习模型实验结果及分析 | 第48-51页 |
| 6.3.1 1D-DenseNet网络 | 第48-49页 |
| 6.3.2 Multi-scale DenseNet网络 | 第49-50页 |
| 6.3.3 BPIE-BiSRNN模型 | 第50-51页 |
| 6.4 实验结论 | 第51-52页 |
| 第七章 系统实现 | 第52-56页 |
| 7.1 总体架构 | 第52-53页 |
| 7.2 工作流程 | 第53页 |
| 7.3 页面展示 | 第53-54页 |
| 7.4 本章小结 | 第54-56页 |
| 第八章 总结与展望 | 第56-58页 |
| 8.1 总结 | 第56页 |
| 8.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间取得的研究成果 | 第64页 |
