| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 人工神经网络的发展史 | 第9-10页 |
| 1.3 BP神经网络的研究现状 | 第10-11页 |
| 1.4 本文的研究内容和结构安排 | 第11-13页 |
| 1.4.1 论文的研究内容 | 第11-12页 |
| 1.4.2 论文的结构安排 | 第12-13页 |
| 第二章 相关理论与技术 | 第13-21页 |
| 2.1 BP神经网络 | 第13-16页 |
| 2.1.1 BP神经网络的结构 | 第13-14页 |
| 2.1.2 BP神经网络的数学表达 | 第14-15页 |
| 2.1.3 BP神经网络的算法步骤及流程 | 第15-16页 |
| 2.2 梯度算法 | 第16-19页 |
| 2.2.1 梯度算法概念简述 | 第16-17页 |
| 2.2.2 梯度算法的数学表达 | 第17-18页 |
| 2.2.3 梯度算法的步骤及流程 | 第18-19页 |
| 2.3 自适应算法 | 第19-20页 |
| 2.3.1 自适应算法概念 | 第19-20页 |
| 2.3.2 自适应算法的特点 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于自适应方式的变步长梯度方法研究 | 第21-26页 |
| 3.1 BP神经网络中梯度算法需解决的问题 | 第21页 |
| 3.2 基于自适应方式的变步长梯度算法研究 | 第21-23页 |
| 3.2.1 基于自适应方式的变步长梯度算法的思路 | 第21-22页 |
| 3.2.2 可变步长梯度算法的自适应数学模型建立 | 第22页 |
| 3.2.3 基于自适应方式的变步长算法求解步骤及流程 | 第22-23页 |
| 3.3 实验结果与分析 | 第23-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 基于自适应方式的KD-BP神经网络特征选取优化算法研究 | 第26-37页 |
| 4.1 BP神经网络存在的问题 | 第26页 |
| 4.2 KD-BP神经网络的特点 | 第26-27页 |
| 4.3 KD-BP神经网络算法的改进 | 第27-28页 |
| 4.3.1 引入基于K近邻搜索的输入结点模型 | 第27-28页 |
| 4.3.2 引入权重的冲量项模型 | 第28页 |
| 4.4 KD-BP神经网络算法研究 | 第28-33页 |
| 4.4.1 KD树的构造方法 | 第28-29页 |
| 4.4.2 采用KD树的最近邻搜索算法思路及流程 | 第29-30页 |
| 4.4.3 基于自适应融合权值的KD-BP神经网络算法求解过程 | 第30-33页 |
| 4.5 实验结果与分析 | 第33-36页 |
| 4.6 本章小结 | 第36-37页 |
| 第五章 KD-BP神经网络算法在变压器故障诊断中的应用研究 | 第37-51页 |
| 5.1 企业基本情况概述 | 第37页 |
| 5.2 变压器常见故障分析 | 第37-39页 |
| 5.2.1 变压器常见故障 | 第37-38页 |
| 5.2.2 变压器故障类型与油中溶解气体含量的关系 | 第38-39页 |
| 5.2.3 针对DGA数据的传统诊断方法 | 第39页 |
| 5.3 KD-BP神经网络算法在变压器故障诊断分析系统中的应用 | 第39-47页 |
| 5.3.1 变压器故障诊断分析系统的总体结构 | 第39-41页 |
| 5.3.2 基于DGA数据的故障诊断模型 | 第41-43页 |
| 5.3.3 KD-BP神经网络算法在故障诊断中的应用 | 第43-47页 |
| 5.4 故障诊断应用实例 | 第47-50页 |
| 5.4.1 实例数据说明 | 第47-48页 |
| 5.4.2 故障诊断数据分析与结论验证 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 研究生在读期间取得的研究成果 | 第55-56页 |
| 致谢 | 第56页 |
