首页--工业技术论文--电工技术论文--电气测量技术及仪器论文--电数量的测量及仪表论文--电能测量、电度表论文

智能电能表故障集成分类方法研究

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

论文共60页,点击 下载论文
上一篇:基于Sentinel-1数据的北极海冰提取及分类研究
下一篇:双中心离子金属—有机物框架结构材料的制备及电化学应用