| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 引言 | 第7-14页 |
| ·选题的背景及研究意义 | 第7页 |
| ·目前已有的诊断方法 | 第7-9页 |
| ·油中溶解气体分析法（DGA） | 第7-8页 |
| ·人工神经网络 | 第8-9页 |
| ·模糊推理 | 第9页 |
| ·人工免疫算法 | 第9-13页 |
| ·人工免疫系统的研究现状 | 第9-11页 |
| ·人工免疫的应用 | 第11-13页 |
| ·基于免疫的变压器故障诊断研究现状 | 第13页 |
| ·本文的主要工作 | 第13-14页 |
| 第二章 免疫系统和人工免疫理论分析 | 第14-25页 |
| ·免疫学基本概念 | 第14-15页 |
| ·免疫系统组成及结构分析 | 第15-17页 |
| ·免疫应答过程分析 | 第17-20页 |
| ·免疫应答 | 第17-18页 |
| ·免疫应答的特征 | 第18页 |
| ·免疫系统的特点 | 第18-20页 |
| ·人工免疫算法 | 第20-24页 |
| ·免疫算法的基本步骤 | 第20页 |
| ·常用的免疫算法 | 第20-22页 |
| ·克隆选择算法 | 第20-21页 |
| ·否定选择算法 | 第21页 |
| ·人工免疫网络算法 | 第21-22页 |
| ·人工免疫算法与其他算法的比较 | 第22-24页 |
| ·人工免疫算法与遗传算法的比较 | 第22-23页 |
| ·人工免疫算法与人工神经网络的比较 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 基于免疫聚类 RBF 的变压器故障诊断研究 | 第25-34页 |
| ·RBF 神经网络 | 第25-26页 |
| ·RBF 神经网路的结构 | 第25-26页 |
| ·RBF 神经网络学习算法 | 第26页 |
| ·免疫聚类 RBF 变压器故障诊断 | 第26-33页 |
| ·聚类分析 | 第26-28页 |
| ·核聚类人工免疫网络的构成 | 第28-29页 |
| ·算法收敛性说明 | 第29-30页 |
| ·用于变压器故障诊断的免疫聚类 RBF | 第30-33页 |
| ·免疫聚类算法描述 | 第30-31页 |
| ·免疫聚类 RBF 的变压器故障诊断 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于免疫支持向量机的变压器故障诊断研究 | 第34-46页 |
| ·支持向量机（SVM）基本原理 | 第34-41页 |
| ·广义最优分类超平面 | 第34-35页 |
| ·支持向量机分类算法 | 第35-39页 |
| ·SVM 的优点 | 第39-40页 |
| ·支持向量机存在的问题 | 第40-41页 |
| ·基于免疫聚类支持向量机的变压器故障诊断模型 | 第41-44页 |
| ·免疫算法描述 | 第41-42页 |
| ·诊断流程 | 第42-44页 |
| ·本章小结 | 第44-46页 |
| 第五章 结论与展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 在学期间发表的学术论文和参加科研情况 | 第52页 |