局部放电模式识别特征量提取方法研究与特征量相关性分析
| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5页 |
| 1 绪论 | 第8-17页 |
| 1．1 局部放电在线监测模式识别的意义 | 第8-14页 |
| 1．1．1 局部放电产生的原因及种类 | 第8-10页 |
| 1．1．2 模式识别的概念、方法及原理 | 第10-11页 |
| 1．1．3 模式识别分类器的概念及基本任务 | 第11-13页 |
| 1．1．4 局部放电模式识别的发展现状 | 第13-14页 |
| 1．2 局部放电模式识别特征量提取方法 | 第14-16页 |
| 1．3 本文研究的主要目的和任务 | 第16-17页 |
| 2 局部放电的实验装置及方法 | 第17-21页 |
| 2．1 引言 | 第17页 |
| 2．2 放电模型及实验装置 | 第17-19页 |
| 2．2．1 放电模型 | 第17-18页 |
| 2．2．2 局部放电模拟实验装置 | 第18-19页 |
| 2．3 实验方法及过程 | 第19-20页 |
| 2．4 小结 | 第20-21页 |
| 3 局部放电模式识别特征量提取方法研究 | 第21-41页 |
| 3．1 引言 | 第21页 |
| 3．2 特征选择与提取 | 第21-22页 |
| 3．3 类别可分性准则 | 第22-24页 |
| 3．3．1 基于距离的可分性准则 | 第23页 |
| 3．3．2 基于熵函数的可分性准则 | 第23-24页 |
| 3．3．3 基于概率分布的可分性准则 | 第24页 |
| 3．4 特征提取方法 | 第24-25页 |
| 3．5 常用的局部放电模式分类器 | 第25-27页 |
| 3．5．1 前馈网络 | 第25-26页 |
| 3．5．2 自组织特征映射网络 | 第26-27页 |
| 3．5．3 自适应共振网络 | 第27页 |
| 3．6 局部放电模式识别特征量提取 | 第27-37页 |
| 3．6．1 三维表列数据 | 第27-31页 |
| 3．6．2 统计特征参数 | 第31-32页 |
| 3．6．3 分形特征参数 | 第32-34页 |
| 3．6．3．1 分形原理 | 第32-33页 |
| 3．6．3．2 分维数 | 第33-34页 |
| 3．6．3．3 提取局部放电分形特征 | 第34页 |
| 3．6．4 矩特征参数 | 第34-37页 |
| 3．6．4．1 矩和中心矩 | 第35-36页 |
| 3．6．4．2 局部放电灰度图象的矩特征 | 第36-37页 |
| 3．7 局部放电的人工神经网络识别 | 第37-40页 |
| 3．7．1 BP网络 | 第37-39页 |
| 3．7．2 识别结果 | 第39-40页 |
| 3．8 小结 | 第40-41页 |
| 4 特征量相关性分析 | 第41-52页 |
| 4．1 引言 | 第41页 |
| 4．2 衡量特征量相关性的几个参数 | 第41-42页 |
| 4．3 统计特征量和分形特征量之间的相关性分析 | 第42页 |
| 4．4 矩特征量之间的相关性分析 | 第42-44页 |
| 4．5 小结 | 第44-45页 |
| 附表A | 第45-52页 |
| 5 结论 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附：作者在攻读硕士学位期间发表的论文 | 第58页 |
