智能诊断方法及其在变压器故障中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·选题背景及意义 | 第9-10页 |
| ·国内外故障诊断研究现状 | 第10-11页 |
| ·人工智能发展现状 | 第11-14页 |
| ·神经网络 | 第12-13页 |
| ·支持向量机 | 第13-14页 |
| ·本文完成的主要工作 | 第14-16页 |
| 第2章 变压器绝缘故障分析 | 第16-27页 |
| ·变压器绝缘分析 | 第16-18页 |
| ·变压器绝缘材料 | 第16-17页 |
| ·变压器绝缘分析 | 第17-18页 |
| ·绝缘故障的诊断 | 第18-21页 |
| ·变压器在线监测 | 第21-22页 |
| ·变压器在线监测原理 | 第21页 |
| ·变压器在线监测的内容 | 第21-22页 |
| ·变压器油中溶解气体的在线监测技术 | 第22页 |
| ·基于油中溶解气体的故障分析方法 | 第22-26页 |
| ·比值诊断法 | 第23-24页 |
| ·对比值法的分析 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 改进粒子群小波网络及其应用 | 第27-42页 |
| ·神经网络模型 | 第27-29页 |
| ·神经元的基本模型 | 第27页 |
| ·神经元的激活函数 | 第27-28页 |
| ·M-P 模型 | 第28页 |
| ·神经网络的特点 | 第28-29页 |
| ·基于神经网络的故障诊断 | 第29页 |
| ·小波神经网络 | 第29-34页 |
| ·小波理论 | 第30-31页 |
| ·小波神经网络数学模型 | 第31-33页 |
| ·小波神经网络训练 | 第33-34页 |
| ·粒子群算法 | 第34-38页 |
| ·粒子群算法研究背景 | 第34页 |
| ·标准粒子群算法 | 第34-35页 |
| ·改进粒子群算法 | 第35-36页 |
| ·改进粒子群网络训练算法 | 第36-38页 |
| ·改进粒子群小波网络的应用 | 第38-41页 |
| ·数据预处理及输入向量选择 | 第38-39页 |
| ·小波网络输出向量的选择 | 第39页 |
| ·训练与识别样本选取 | 第39-40页 |
| ·仿真结果及故障诊断分析 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 最小二乘支持向量机算法及其应用 | 第42-55页 |
| ·机器统计学习的原理 | 第42-47页 |
| ·结构风险最小化 | 第42-43页 |
| ·支持向量机 | 第43-46页 |
| ·核函数 | 第46页 |
| ·多类分类问题 | 第46-47页 |
| ·最小二乘支持向量机 | 第47-48页 |
| ·认知几何 | 第48-52页 |
| ·相对变换原理 | 第48-50页 |
| ·相对变换对支持向量机性能的改善 | 第50-51页 |
| ·基于相对变换的最小二乘支持向量机 | 第51-52页 |
| ·实例研究及结论 | 第52-54页 |
| ·Iris 花数据分类 | 第52-53页 |
| ·变压器故障诊断 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 结论和展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 在学期间发表的学术论文和参加科研情况 | 第60-61页 |
| 致谢 | 第61-62页 |
| 论文摘要 | 第62-71页 |
