首页--工业技术论文--电工技术论文--高电压技术论文--高电压绝缘技术论文--绝缘的试验与检查论文

基于特征寻优与深度学习的高压电缆局部放电模式识别研究

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

论文共102页,点击 下载论文
上一篇:锰铈二元金属氧化物改性的脱汞吸附剂研究
下一篇:聚集诱导发光材料在钙钛矿太阳能电池中的应用研究