| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-19页 |
| ·机器学习的基本理论 | 第9-12页 |
| ·机器学习的发展历史 | 第10页 |
| ·机器学习问题的表述 | 第10-11页 |
| ·经验风险最小化 | 第11-12页 |
| ·学习机器的性能 | 第12页 |
| ·统计学习理论的核心内容 | 第12-15页 |
| ·学习一致性条件 | 第13页 |
| ·VC 维 | 第13-14页 |
| ·推广性的界理论 | 第14页 |
| ·结构风险最小化原则 | 第14-15页 |
| ·支持向量机的发展历史与研究现状 | 第15-16页 |
| ·支持向量机算法目前存在的问题 | 第16-17页 |
| ·本论文的主要工作与内容安排 | 第17-19页 |
| 第二章 支持向量机理论与分类算法 | 第19-29页 |
| ·支持向量机理论 | 第19-23页 |
| ·最优超平面及其推广 | 第19-21页 |
| ·核函数 | 第21-23页 |
| ·支持向量机分类算法 | 第23-25页 |
| ·二值分类支持向量机 | 第23-24页 |
| ·多值分类支持向量机 | 第24-25页 |
| ·最小二乘支持向量机分类算法 | 第25-27页 |
| ·LS-SVM 分类算法简介 | 第25-26页 |
| ·LS-SVM 分类算法与SVM 分类算法的比较 | 第26-27页 |
| ·试验与结果分析 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 基于粒子群的最小二乘支持向量机分类算法参数选择 | 第29-36页 |
| ·粒子群优化算法 | 第29-32页 |
| ·粒子群优化算法的起源 | 第29-30页 |
| ·粒子群优化算法原理 | 第30-31页 |
| ·粒子群优化算法的研究现状 | 第31-32页 |
| ·最小二乘支持向量机分类算法参数选择 | 第32-34页 |
| ·交叉验证法 | 第32页 |
| ·PSO-（LS-SVM）分类器参数选择 | 第32-34页 |
| ·试验与结果分析 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于PSO-(LS-SVM)分类算法的电力变压器故障诊断 | 第36-47页 |
| ·电力变压器故障诊断的意义 | 第36-38页 |
| ·变压器故障诊断的发展阶段 | 第38页 |
| ·基于DGA 数据的变压器故障诊断 | 第38-42页 |
| ·电力变压器运行中常见故障 | 第38-39页 |
| ·基于DGA 数据的变压器故障诊断的基本原理 | 第39-40页 |
| ·基于DGA 数据变压器故障诊断的研究现状 | 第40-42页 |
| ·基于PSO-(LS-SVM)的电力变压器故障诊断 | 第42-45页 |
| ·建立电力变压器故障分层诊断模型 | 第42-43页 |
| ·粒子群算法优化支持向量机分类器参数 | 第43-44页 |
| ·基于PSO-(LS-SVM)的电力变压器故障诊断步骤 | 第44-45页 |
| ·试验与结果分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 结论与展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 致谢 | 第53-54页 |
| 在学期间发表的学术论文和参加科研情况 | 第54页 |
