摘要 | 第4-6页 |
Abstract | 第6-8页 |
1 绪论 | 第11-19页 |
1.1 研究背景 | 第11-12页 |
1.2 研究现状 | 第12-15页 |
1.3 现有研究的不足 | 第15-16页 |
1.4 本文主要工作 | 第16-19页 |
2 电缆局部放电实验数据自动预处理系统 | 第19-39页 |
2.1 电缆局部放电实验数据的自动预处理难点分析 | 第19-21页 |
2.2 电缆局部放电实验数据的自学习提取策略设计 | 第21-23页 |
2.3 局部放电样本自动提取系统方案设计 | 第23-25页 |
2.4 软件实现与案例分析 | 第25-33页 |
2.5 基于自动预处理系统处理的局部放电数据 | 第33-37页 |
2.6 本章小结 | 第37-39页 |
3 基于可变噪音和对抗生成网络的局部放电样本扩充研究 | 第39-58页 |
3.1 局部放电样本的分布规律 | 第39-43页 |
3.2 局部放电样本扩充的必要性 | 第43-45页 |
3.3 基于可变噪音的局部放电样本扩充 | 第45-47页 |
3.4 基于可变噪音的局部放电样本扩充验证 | 第47-50页 |
3.5 基于对抗生成网络的局部放电样本扩充 | 第50-54页 |
3.6 基于对抗生成网络的局部放电样本扩充验证 | 第54-57页 |
3.7 本章小结 | 第57-58页 |
4 基于随机森林的局部放电特征寻优研究 | 第58-75页 |
4.1 特征寻优所用局部放电多维特征的构建 | 第58-61页 |
4.2 基于随机森林的特征寻优原理 | 第61-65页 |
4.3 基于随机森林的局部放电与干扰特征寻优 | 第65-67页 |
4.4 基于随机森林的五类局部放电特征寻优 | 第67-71页 |
4.5 基于随机森林的工业现场中局部放电与干扰的特征寻优 | 第71-73页 |
4.6 本章小结 | 第73-75页 |
5 基于卷积神经网络的局部放电深度学习模式识别 | 第75-90页 |
5.1 卷积神经网络的原理 | 第75-76页 |
5.2 卷积神经网络对局部放电识别的关键影响因素 | 第76-78页 |
5.3 基于卷积神经网络的局部放电深度学习模式识别 | 第78-86页 |
5.4 卷积神经网络识别结果可视化与解释 | 第86-88页 |
5.5 卷积神经网络与其他模式识别算法对比分析 | 第88页 |
5.6 本章小结 | 第88-90页 |
6 结论 | 第90-93页 |
6.1 全文总结 | 第90-91页 |
6.2 工作展望 | 第91-93页 |
致谢 | 第93-94页 |
参考文献 | 第94-101页 |
附录1 攻读硕士学位期间发表论文 | 第101-102页 |
附录2 攻读硕士学位期间参加科研情况 | 第102页 |