基于CS-CNN的电能质量扰动数据分析研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 电能质量数据压缩研究现状 | 第10-11页 |
| 1.2.2 电能质量扰动数据分类识别研究现状 | 第11-13页 |
| 1.3 本课题研究内容 | 第13-14页 |
| 第2章 电能质量问题概述 | 第14-24页 |
| 2.1 引言 | 第14页 |
| 2.2 电能质量定义 | 第14页 |
| 2.3 电能质量分类 | 第14-21页 |
| 2.4 电能质量标准 | 第21-22页 |
| 2.5 电能质量扰动数据的二维表示 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于压缩感知的电能质量数据压缩 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 压缩感知理论 | 第24-28页 |
| 3.2.1 压缩感知理论框架 | 第24-26页 |
| 3.2.2 稀疏表示 | 第26页 |
| 3.2.3 测量矩阵 | 第26-27页 |
| 3.2.4 重构算法 | 第27-28页 |
| 3.3 基于K-SVD字典学习的稀疏表示与分析 | 第28-31页 |
| 3.4 仿真分析 | 第31-35页 |
| 3.4.1 评估指标与具体流程 | 第31-32页 |
| 3.4.2 实例仿真 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于卷积神经网络的电能质量扰动数据分类 | 第36-50页 |
| 4.1 引言 | 第36页 |
| 4.2 人工神经网络 | 第36-39页 |
| 4.2.1 神经网络模型 | 第36-37页 |
| 4.2.2 反向传播算法 | 第37-39页 |
| 4.3 卷积神经网络 | 第39-45页 |
| 4.3.1 卷积神经网络的基本结构 | 第39-41页 |
| 4.3.2 卷积层 | 第41-42页 |
| 4.3.3 池化层 | 第42-43页 |
| 4.3.4 激活函数 | 第43页 |
| 4.3.5 Softmax分类器 | 第43-44页 |
| 4.3.6 卷积神经网络的训练 | 第44-45页 |
| 4.4 基于卷积神经网络的特征分析 | 第45-48页 |
| 4.5 仿真分析 | 第48-49页 |
| 4.6 本章小节 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57-59页 |
