| 摘要 | 第1页 |
| ABSTRACT | 第4-8页 |
| 第一章 引言 | 第8-12页 |
| ·选题背景及研究意义 | 第8-9页 |
| ·变压器故障诊断国内外研究现状 | 第9-11页 |
| ·传统的变压器故障诊断方法 | 第9页 |
| ·基于人工智能的变压器故障诊断方法 | 第9-11页 |
| ·本文主要研究工作 | 第11-12页 |
| 第二章 支持向量机理论 | 第12-21页 |
| ·统计学习理论 | 第12-14页 |
| ·机器学习问题 | 第12-13页 |
| ·VC 维及结构风险最小化 | 第13-14页 |
| ·支持向量机分类 | 第14-18页 |
| ·线性分类问题 | 第14-16页 |
| ·非线性分类问题 | 第16-18页 |
| ·支持向量机多分类 | 第18-21页 |
| ·一次求解多分类 | 第18页 |
| ·组合实现多分类 | 第18-21页 |
| 第三章 基于欧氏聚类和SVM 的变压器故障诊断 | 第21-31页 |
| ·基于二叉树的支持向量机分类 | 第21-23页 |
| ·欧氏聚类 | 第23-24页 |
| ·聚类原理 | 第23页 |
| ·欧氏聚类 | 第23-24页 |
| ·聚类实验及建模 | 第24-27页 |
| ·聚类实验 | 第24-26页 |
| ·支持向量机建模 | 第26-27页 |
| ·SVM 变压器故障诊断实验 | 第27-30页 |
| ·数据预处理 | 第27页 |
| ·支持向量机实验 | 第27-30页 |
| ·小结 | 第30-31页 |
| 第四章 基于朴素贝叶斯和SVM 的变压器故障诊断 | 第31-42页 |
| ·朴素贝叶斯分类器 | 第31-34页 |
| ·贝叶斯网络简介 | 第31-32页 |
| ·贝叶斯网络分类器 | 第32-33页 |
| ·朴素贝叶斯分类器 | 第33-34页 |
| ·基于朴素贝叶斯的变压器故障诊断 | 第34-37页 |
| ·基于SVM 的改进朴素贝叶斯分类器 | 第37-38页 |
| ·组合模型的提出 | 第37-38页 |
| ·基于SVM 和朴素贝叶斯的组合模型 | 第38页 |
| ·基于SVM 与朴素贝叶斯的变压器故障诊断 | 第38-41页 |
| ·实验模型 | 第38-39页 |
| ·实验及结果 | 第39-41页 |
| ·小结 | 第41-42页 |
| 第五章 基于SVM 与欧氏距离分类器的变压器故障诊断 | 第42-50页 |
| ·SVM 一对一多分类算法 | 第42-44页 |
| ·SVM 一对一算法原理 | 第42-43页 |
| ·SVM 一对一算法缺陷 | 第43-44页 |
| ·欧氏距离分类器 | 第44-45页 |
| ·基于SVM 与欧氏距离分类器组合模型 | 第45-46页 |
| ·实验分析 | 第46-48页 |
| ·小结 | 第48-50页 |
| 第六章 结论与展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 在学期间发表的学术论文和参加科研情况 | 第57页 |