| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 基于油中溶解气体组分比值诊断方法 | 第11-12页 |
| 1.2.2 基于油中溶解气体的智能诊断方法 | 第12-14页 |
| 1.2.3 深度学习的研究现状和意义 | 第14页 |
| 1.3 论文研究内容及章节安排 | 第14-16页 |
| 第2章 受限玻尔兹曼机 | 第16-25页 |
| 2.1 深度学习概述 | 第16-19页 |
| 2.1.1 深度学习的生物学启示 | 第16页 |
| 2.1.2 深度学习的基本方法 | 第16-18页 |
| 2.1.3 深度学习的应用研究 | 第18-19页 |
| 2.2 受限玻尔兹曼机（RBM） | 第19-21页 |
| 2.2.1 麦克斯韦-玻尔兹曼分布 | 第19-20页 |
| 2.2.2 玻尔兹曼机 | 第20页 |
| 2.2.3 受限玻尔兹曼机 | 第20-21页 |
| 2.3 判别受限玻尔兹曼机（DRBM） | 第21-22页 |
| 2.4 基于对比散度的RBM快速学习算法 | 第22-24页 |
| 2.4.1 吉布斯采样（Gibbs sampling） | 第23-24页 |
| 2.4.2 基于对比散度的学习算法 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于分类受限玻尔兹曼机的变压器故障诊断 | 第25-36页 |
| 3.1 分类受限玻尔兹曼机 | 第25页 |
| 3.2 RBM的训练 | 第25-28页 |
| 3.2.1 RBM的预训练 | 第25-27页 |
| 3.2.2 RBM的调优 | 第27-28页 |
| 3.3 基于CRBM的分类建模 | 第28-32页 |
| 3.3.1 回归分类器 | 第28-29页 |
| 3.3.2 基于CRBM的分类模型构建 | 第29页 |
| 3.3.3 CRBM性能测试 | 第29-32页 |
| 3.4 基于CRBM的电力变压器故障诊断 | 第32-35页 |
| 3.4.1 样本选取 | 第32页 |
| 3.4.2 数据标准化处理 | 第32-33页 |
| 3.4.3 变压器故障类型编码 | 第33页 |
| 3.4.4 基于CRBM的变压器故障诊断模型 | 第33-34页 |
| 3.4.5 基于CRBM的变压器故障诊断实现方法 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于判别受限玻尔兹曼机的变压器故障诊断 | 第36-43页 |
| 4.1 深度判别受限玻尔兹曼机 | 第36页 |
| 4.2 DRBM的训练过程 | 第36-38页 |
| 4.2.1 DRBM的预训练 | 第36-38页 |
| 4.2.2 DRBM的调优 | 第38页 |
| 4.3 基于DDRBM的分类建模 | 第38-39页 |
| 4.3.1 DDRBM模型 | 第38-39页 |
| 4.3.2 DDRBM分类性能测试 | 第39页 |
| 4.4 DDRBM在电力变压器故障诊断中的应用 | 第39-42页 |
| 4.4.1 特征变量及样本数据的选取 | 第39-40页 |
| 4.4.2 基于DDRBM的变压器故障分类建模 | 第40-41页 |
| 4.4.3 基于DDRBM的变压器故障实现方法 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 实例测试与分析 | 第43-47页 |
| 5.1 变压器故障分类性能测试 | 第43-45页 |
| 5.1.1 基于CRBM的故障诊断性能测试 | 第43页 |
| 5.1.2 基于DDRBM的故障诊断性能测试 | 第43-44页 |
| 5.1.3 CRBM与DDRBM故障诊断性能对比 | 第44-45页 |
| 5.2 实例分析 | 第45-46页 |
| 5.3 本章小结 | 第46-47页 |
| 第6章 结论与展望 | 第47-48页 |
| 参考文献 | 第48-52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 |