| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究工作的背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 架空输电线舞动监测与分析技术国内外研究现状 | 第13-14页 |
| 1.2.2 分布式光纤传感在电力系统中的应用 | 第14-15页 |
| 1.2.3 电力系统监测中的信号处理方法 | 第15-16页 |
| 1.3 本论文的结构安排 | 第16-18页 |
| 第二章 基于分布式光纤振动传感的架空输电线路风舞监测系统 | 第18-24页 |
| 2.1 整体风舞监测方案设计 | 第18-19页 |
| 2.2 探测光缆 | 第19-20页 |
| 2.3 解调仪 | 第20-21页 |
| 2.4 数据采集处理系统 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 风舞监测数据集构建 | 第24-30页 |
| 3.1 信号差分与信号分帧 | 第24页 |
| 3.2 风舞信号物理特性分析与表征 | 第24-25页 |
| 3.3 基于频谱相关系数分析和箱形图统计方法的相对异常信号选取 | 第25-28页 |
| 3.3.1 频谱相关性分析 | 第25-27页 |
| 3.3.2 单点分帧信号短时舞动标准差箱形图分析 | 第27-28页 |
| 3.3.3 选取相对异常信号 | 第28页 |
| 3.4 划分训练集和测试集 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 风舞信号特征提取 | 第30-41页 |
| 4.1 时域特征提取 | 第30-35页 |
| 4.1.1 时域统计特征 | 第30-34页 |
| 4.1.2 线性预测编码系数特征 | 第34-35页 |
| 4.2 频域特征提取 | 第35-36页 |
| 4.3 时频色谱图特征提取 | 第36-38页 |
| 4.4 特征选择与融合 | 第38-39页 |
| 4.5 数据增广 | 第39-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第五章 基于有监督分析的风舞信号分类 | 第41-82页 |
| 5.1 风舞信号分类模型总体设计 | 第41-42页 |
| 5.2 分类模型评估标准——准确率(召回率)与精确度 | 第42-43页 |
| 5.3 最近邻分类 | 第43-48页 |
| 5.3.1 最近邻分类算法原理 | 第43-44页 |
| 5.3.2 使用融合特征1构建的kNN分类器识别效果 | 第44-46页 |
| 5.3.3 使用融合特征2构建的kNN分类器识别效果 | 第46-48页 |
| 5.3.4 分析与总结 | 第48页 |
| 5.4 逻辑回归分类 | 第48-52页 |
| 5.4.1 逻辑回归算法原理 | 第48-50页 |
| 5.4.2 使用融合特征1训练的逻辑回归分类器识别效果 | 第50-51页 |
| 5.4.3 使用融合特征2训练的逻辑回归分类器识别效果 | 第51-52页 |
| 5.4.4 分析与总结 | 第52页 |
| 5.5 支持向量机(SVM)分类 | 第52-56页 |
| 5.5.1 支持向量机算法原理 | 第52-54页 |
| 5.5.2 使用融合特征1训练的SVM分类器识别效果 | 第54-55页 |
| 5.5.3 使用融合特征2训练的SVM分类器识别效果 | 第55-56页 |
| 5.5.4 分析与总结 | 第56页 |
| 5.6 卷积神经网络(CNN)分类 | 第56-79页 |
| 5.6.1 卷积神经网络原理 | 第56-58页 |
| 5.6.2 针对融合特征1的CNN分类器设计 | 第58-63页 |
| 5.6.3 使用融合特征1的分类效果 | 第63-77页 |
| 5.6.4 针对融合特征2的CNN分类器设计 | 第77-79页 |
| 5.6.5 使用融合特征2的分类效果 | 第79页 |
| 5.7 各分类模型分类效果对比 | 第79-80页 |
| 5.8 本章小结 | 第80-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 全文总结 | 第82-83页 |
| 6.2 后续展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间取得的成果 | 第89页 |
