| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第10-22页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 电力设备故障诊断与多源信息融合的发展与研究现状 | 第11-21页 |
| 1.2.1 电力设备故障诊断的发展 | 第11-13页 |
| 1.2.2 多源信息融合诊断的研究现状 | 第13-21页 |
| 1.3 本文主要工作 | 第21-22页 |
| 2 基于SVM与D-S证据理论的变压器信息融合诊断 | 第22-34页 |
| 2.1 基于SVM的电力设备故障初步识别 | 第22-29页 |
| 2.1.1 变压器的二分类SVM模型建立 | 第23-26页 |
| 2.1.2 核函数的选择 | 第26-27页 |
| 2.1.3 变压器多分类诊断模型 | 第27-29页 |
| 2.2 基于D-S证据理论的多源信息融合诊断算法 | 第29-31页 |
| 2.2.1 变压器诊断框架的建立 | 第29-30页 |
| 2.2.2 基于SVM与D-S证据理论变压器融合诊断 | 第30-31页 |
| 2.3 信息融合故障诊断实例 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 改进D-S证据理论的信息融合诊断研究 | 第34-40页 |
| 3.1 改进的D-S证据理论的融合诊断 | 第34-36页 |
| 3.2 诊断实验结果及分析 | 第36-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 不对称样本下基于SVM的故障诊断研究 | 第40-48页 |
| 4.1 不对称样本下的SVM故障诊断 | 第40-41页 |
| 4.2 K-近邻算法的向上采样方法改进 | 第41-45页 |
| 4.2.1 基于K-近邻算法构造均衡数据集 | 第42-43页 |
| 4.2.2 均衡数据集下的SVM诊断 | 第43-45页 |
| 4.3 诊断实例与性能分析 | 第45-47页 |
| 4.3.1 诊断实例 | 第45-46页 |
| 4.3.2 不对称样本下算法性能的评测 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 结论与展望 | 第48-50页 |
| 5.1 本文工作总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间发表的学术论文 | 第55页 |
