基于IPSO-SVM的电缆故障识别
| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-17页 |
| ·论文的研究背景及意义 | 第7-8页 |
| ·国内外电缆识别研究现状和发展趋势 | 第8-9页 |
| ·电缆故障的原因及分类 | 第9-14页 |
| ·电缆发生故障的原因 | 第9-11页 |
| ·电缆的故障种类 | 第11-14页 |
| ·支持向量机技术的发展动态 | 第14-16页 |
| ·本文研究的主要内容及论文结构 | 第16-17页 |
| 2 粒子群算法及其在电缆故障识别中的应用 | 第17-23页 |
| ·原始粒子群算法 | 第17-19页 |
| ·粒子群优化算法 | 第19-21页 |
| ·带惯性因子的粒子群算法 | 第19-20页 |
| ·带收敛因子的粒子群算法 | 第20-21页 |
| ·粒子群应用于分类模型的参数优化方法及仿真 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 支持向量机及其在故障识别中的应用 | 第23-35页 |
| ·机器学习及经验风险最小 | 第23-25页 |
| ·机器学习问题 | 第23-24页 |
| ·经验风险最小化 | 第24-25页 |
| ·统计学习及结构风险 | 第25-28页 |
| ·学习机的 VC 维 | 第25-26页 |
| ·结构风险最小化 | 第26-28页 |
| ·支持向量机分类 | 第28-32页 |
| ·线性支持向量机 | 第28-29页 |
| ·拉格朗日方法 | 第29-30页 |
| ·非线性支持向量机分类 | 第30-32页 |
| ·核函数的选择 | 第32-33页 |
| ·核函数方法 | 第32页 |
| ·常用的典型核函数 | 第32-33页 |
| ·支持向量机用于电缆故障识别的仿真 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 4 电缆数据采集系统的设计 | 第35-46页 |
| ·基于虚拟仪器的电缆数据采集系统 | 第35-37页 |
| ·虚拟仪器的基本概念 | 第35-36页 |
| ·虚拟仪器的核心技术——LabVIEW | 第36-37页 |
| ·电缆数据采集系统的总体结构 | 第37-38页 |
| ·数据采集卡的选择 | 第38-41页 |
| ·传感器的介绍 | 第41-42页 |
| ·调理电路的介绍 | 第42-45页 |
| ·I/V 转换电路 | 第42-43页 |
| ·隔离电路 | 第43页 |
| ·滤波电路 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 5 IPSO-SVM 算法及应用 | 第46-55页 |
| ·电缆故障的暂态分析 | 第46-49页 |
| ·行波的基本概念 | 第46-47页 |
| ·故障行波信号的产生 | 第47-48页 |
| ·反射波与折射波的计算 | 第48-49页 |
| ·IPSO-SVM 算法的建立 | 第49-52页 |
| ·实验仿真 | 第52-53页 |
| ·实验结果分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 6 结论 | 第55-57页 |
| ·总结 | 第55-56页 |
| ·展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61-62页 |
| 附图 | 第62页 |
