首页--工业技术论文--电工技术论文--变压器、变流器及电抗器论文--一般性问题论文--维护、检修论文

基于粒子群优化支持向量机的变压器故障诊断和预测

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

论文共78页,点击 下载论文
上一篇:基于嵌入式ARM7和以太网监测电压参数的研究
下一篇:冲击接地计算及冲击接地电阻测量研究