摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第10-18页 |
1.1 研究背景及意义 | 第10-11页 |
1.2 智能电能表故障分类研究现状 | 第11页 |
1.3 机器学习与数据挖掘研究现状 | 第11-15页 |
1.3.1 分类属性的预处理方法研究现状 | 第11-13页 |
1.3.2 基于监督学习的分类方法研究现状 | 第13-14页 |
1.3.3 集成学习方法研究现状 | 第14-15页 |
1.4 本课题意义及主要内容 | 第15-18页 |
第二章 智能电能表属性分析 | 第18-24页 |
2.1 引言 | 第18页 |
2.2 智能电能表故障数据各字段整体概况 | 第18-19页 |
2.3 智能电能表故障类型分析 | 第19-20页 |
2.4 智能电能表故障属性分析及预处理 | 第20-23页 |
2.4.1 分类型属性 | 第20-22页 |
2.4.2 数值型属性 | 第22-23页 |
2.5 本章小结 | 第23-24页 |
第三章 基于多种相似性度量的智能电能表集成分类方法 | 第24-40页 |
3.1 引言 | 第24页 |
3.2 智能电能表故障分类模型性能分析 | 第24-30页 |
3.2.1 基于k-近邻的智能电能表故障分类性能 | 第24-27页 |
3.2.2 基于决策树的智能电能表故障分类性能 | 第27-29页 |
3.2.3 相似性度量分析 | 第29-30页 |
3.3 基于概率的分类属性的特征创建 | 第30-35页 |
3.3.1 二分类场景 | 第31-32页 |
3.3.2 缺失数据的处理 | 第32-33页 |
3.3.3 多类别分类场景 | 第33页 |
3.3.4 分类属性值映射结果 | 第33-35页 |
3.4 基于多种相似性度量的智能电能表集成分类方法 | 第35-38页 |
3.4.1 集成分类方法思想 | 第35页 |
3.4.2 基于多种相似性度量的智能电能表集成分类模型构建 | 第35-36页 |
3.4.3 基于多种相似性度量的智能电能表集成分类结果分析 | 第36-38页 |
3.5 本章小结 | 第38-40页 |
第四章 基于特征加权的智能电能表故障集成分类方法 | 第40-54页 |
4.1 引言 | 第40页 |
4.2 XGBoost分类算法原理 | 第40-46页 |
4.2.1 boosting原理 | 第40-42页 |
4.2.2 梯度提升决策树GBDT | 第42-44页 |
4.2.3 XGBoost原理分析 | 第44-46页 |
4.3 基于概率的分类属性的特征工程 | 第46-48页 |
4.3.1 稀疏矩阵压缩 | 第46-47页 |
4.3.2 数值特征创建及性能验证 | 第47-48页 |
4.4 基于特征加权的XGBoost智能电能表故障分类模型设计与实现 | 第48-53页 |
4.4.1 基于XGBoost的智能电能表故障分类模型 | 第48-51页 |
4.4.2 基于特征加权的XGBoost智能电能表故障分类模型构建 | 第51-52页 |
4.4.3 基于特征加权的XGBoost智能电能表故障分类结果分析 | 第52-53页 |
4.5 本章小结 | 第53-54页 |
第五章 总结与展望 | 第54-56页 |
参考文献 | 第56-60页 |
致谢 | 第60页 |