深度学习在局部放电模式识别中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 局部放电检测和模式识别的国内外研究现状 | 第11-15页 |
| 1.2.1 局部放电检测的研究现状 | 第11-12页 |
| 1.2.2 局部放电模式识别的研究现状 | 第12-15页 |
| 1.3 目前研究存在的问题 | 第15页 |
| 1.4 课题研究内容 | 第15-17页 |
| 第2章 常见局部放电的实验设计和测量 | 第17-25页 |
| 2.1 局部放电测量系统设计 | 第17-18页 |
| 2.2 局部放电的实验模型 | 第18-20页 |
| 2.3 系统检验与标定 | 第20-21页 |
| 2.4 实验过程和现象分析 | 第21-24页 |
| 2.4.1 内部放电实验 | 第21-22页 |
| 2.4.2 沿面放电实验 | 第22-23页 |
| 2.4.3 电晕放电实验 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 局部放电分布的统计学模拟 | 第25-32页 |
| 3.1 计算机辅助生成局部放电数据 | 第25-26页 |
| 3.2 局部放电参量的统计学分析 | 第26-29页 |
| 3.3 基于参量统计的蒙特卡洛模拟 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 BP神经网络与深度学习网络原理 | 第32-42页 |
| 4.1 有监督学习与无监督学习 | 第32-33页 |
| 4.2 神经网络及其算法 | 第33-37页 |
| 4.2.1 神经网络的结构 | 第33-34页 |
| 4.2.2 反向传导(BP)算法 | 第34-37页 |
| 4.3 深度学习简介 | 第37-39页 |
| 4.3.1 浅层网络与深层网络 | 第37-38页 |
| 4.3.2 深度学习的训练机制 | 第38页 |
| 4.3.3 深度学习的主流模型 | 第38-39页 |
| 4.4 自动编码机原理 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 应用自编码网络处理局部放电数据 | 第42-50页 |
| 5.1 样本库的设计 | 第43-45页 |
| 5.2 对局部放电基本类别进行识别 | 第45-47页 |
| 5.3 对局部放电的组别进行识别 | 第47-48页 |
| 5.4 训练时间的对比 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 结论与展望 | 第50-52页 |
| 6.1 结论 | 第50页 |
| 6.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |
