摘要 | 第1-5页 |
Abstract | 第5-10页 |
1 绪论 | 第10-20页 |
·本课题研究的目的和意义 | 第10-11页 |
·变压器故障的类型 | 第11-12页 |
·变压器故障诊断方法的研究现状 | 第12-16页 |
·变压器故障诊断的传统方法 | 第12-14页 |
·人工智能的变压器故障诊断方法 | 第14-16页 |
·变压器故障预测方法的研究现状 | 第16-17页 |
·支持向量机算法的特点和应用 | 第17-18页 |
·粒子群优化算法的特点和应用 | 第18-19页 |
·本文研究内容 | 第19-20页 |
2 支持向量机的基本理论 | 第20-32页 |
·统计学习理论 | 第20-23页 |
·机器学习理论 | 第20-22页 |
·VC 维和结构风险最小化原则 | 第22-23页 |
·支持向量分类机 | 第23-27页 |
·线性支持向量机 | 第23-26页 |
·非线性支持向量机 | 第26-27页 |
·ν—支持向量分类算法(ν-SVC ) | 第27页 |
·核函数问题 | 第27-30页 |
·核函数的选择 | 第27-29页 |
·实例结果与分析 | 第29-30页 |
·本章小结 | 第30-32页 |
3 基于粒子群优化支持向量机分类算法的参数选择 | 第32-44页 |
·概述 | 第32页 |
·基本粒子群优化算法 | 第32-33页 |
·粒子群算法的原理 | 第32-33页 |
·粒子群算法的优点与不足 | 第33页 |
·粒子群算法的改进 | 第33-35页 |
·对惯性权重ω的调整 | 第34页 |
·引入收敛因子x | 第34-35页 |
·对v_(max) 的动态调整 | 第35页 |
·粒子群优化算法的收敛性分析 | 第35-38页 |
·标准粒子群算法的收敛分析 | 第35-38页 |
·基本粒子群优化算法收敛性分析 | 第38页 |
·支持向量机的参数选择方法 | 第38-41页 |
·交叉验证方法 | 第39页 |
·基于粒子群优化支持向量机的参数选择方法 | 第39-41页 |
·实例仿真分析 | 第41-42页 |
·本章小结 | 第42-44页 |
4 基于粒子群优化支持向量机的变压器故障诊断 | 第44-57页 |
·基于二叉树多级SVM 的变压器故障诊断模型 | 第44-48页 |
·基于二叉树的多级SVM 分类器的原理 | 第44-46页 |
·基于二叉树的变压器故障诊断模型 | 第46-48页 |
·变压器故障的诊断步骤 | 第48-49页 |
·粒子群优化支持向量机参数的流程 | 第49-50页 |
·仿真结果 | 第50-53页 |
·基于粒子群优化C-SVC 分类算法的测试结果 | 第50-51页 |
·基于粒子群优化ν-SVC 分类算法的测试结果 | 第51-52页 |
·C-SVC 与ν-SVC 两种算法测试结果的比较 | 第52-53页 |
·基于PSO—SVM 的变压器故障诊断方法与三比值法的比较结果 | 第53-55页 |
·基于PSO—SVM的变压器故障诊断方法与神经网络的比较结果 | 第55页 |
·本章小结 | 第55-57页 |
5 基于粒子群优化支持向量机的变压器故障预测 | 第57-67页 |
·概述 | 第57页 |
·支持向量机的回归算法 | 第57-58页 |
·变压器故障预测的模型 | 第58-61页 |
·时间序列分析 | 第58-59页 |
·基于支持向量机回归算法和时间序列的变压器故障预测模型 | 第59-60页 |
·参数的选择和预测精度评估 | 第60-61页 |
·基于粒子群优化支持向量机的变压器故障预测的步骤 | 第61页 |
·粒子群优化支持向量机回归算法参数C 、σ和ε的流程 | 第61-62页 |
·变压器预测模型维数的实例仿真分析 | 第62-64页 |
·基于粒子群优化支持向量机的变压器故障预测的实例分析 | 第64-66页 |
·本章小结 | 第66-67页 |
结论 | 第67-69页 |
参考文献 | 第69-73页 |
附录A | 第73-76页 |
攻读硕士学位期间发表的论文和科研活动 | 第76-77页 |
致谢 | 第77-78页 |