| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 变量注释表 | 第15-16页 |
| 1 绪论 | 第16-22页 |
| 1.1 研究背景及意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.3 本文研究主要内容 | 第20-22页 |
| 2 变压器局部放电电磁信号的去噪 | 第22-42页 |
| 2.1 局部放电类型及实验模型的建立 | 第23-24页 |
| 2.2 基于小波包的局部放电电磁信号去噪方法 | 第24-29页 |
| 2.3 基于自相关函数和间隔阈值相结合的EMD去噪算法 | 第29-37页 |
| 2.4 局部放电电磁信号仿真分析 | 第37-40页 |
| 2.5 实测信号分析 | 第40-41页 |
| 2.6 本章小结 | 第41-42页 |
| 3 基于EMD分解的局部放电电磁信号的特征提取 | 第42-54页 |
| 3.1 局部放电电磁信号的EMD分解 | 第43-44页 |
| 3.2 基于EMD的局部放电电磁信号分形维数的特征提取 | 第44-48页 |
| 3.3 基于EMD的局部放电电磁信号奇异值分解的特征提取 | 第48-53页 |
| 3.4 本章小结 | 第53-54页 |
| 4 基于BP神经网络的局部放电电磁信号的识别 | 第54-61页 |
| 4.1 BP神经网络算法原理 | 第54-58页 |
| 4.2 BP模型用于局部放电电磁信号识别 | 第58-60页 |
| 4.3 本章小结 | 第60-61页 |
| 5 基于LSSVM的局部放电电磁信号的识别 | 第61-76页 |
| 5.1 统计学习理论与支持向量机 | 第61-68页 |
| 5.2 最小二乘支持向量机 | 第68-70页 |
| 5.3 LSSVM参数寻优 | 第70-73页 |
| 5.4 识别结果分析 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 6 结论与展望 | 第76-78页 |
| 参考文献 | 第78-83页 |
| 作者简历 | 第83-85页 |
| 学位论文数据集 | 第85页 |
