局部放电灰度图像模式识别与分形压缩方法应用研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 绪论 | 第9-16页 |
| 1．1 电气设备局部放电监测的重要意义 | 第9页 |
| 1．2 局部放电检测的主要方法及发展趋势 | 第9-12页 |
| 1．3 人工神经网络在局部放电模式识别中的应用 | 第12-13页 |
| 1．4 局部放电灰度图像压缩技术研究 | 第13-14页 |
| 1．5 论文完成的目标 | 第14-16页 |
| 2 局部放电模型实验及样本采集 | 第16-22页 |
| 2．1 放电模型制作 | 第16-17页 |
| 2．2 局放模拟实验装置 | 第17-19页 |
| 2．2．1 实验回路及局放信号采集装置 | 第17-18页 |
| 2．2．2 局部放电量的校正 | 第18-19页 |
| 2．3 实验方法及过程 | 第19-20页 |
| 2．3．1 实验方法 | 第19页 |
| 2．3．2 采样程序 | 第19-20页 |
| 2．3．3 实验数据记录 | 第20页 |
| 2．4 小结 | 第20-22页 |
| 3 局部放电图像的BPNN识别方法 | 第22-35页 |
| 3．1 多层前向神经网络及BP算法 | 第22-25页 |
| 3．1．1 误差反传训练算法（BP算法）描述 | 第22-24页 |
| 3．1．2 BP算法的优缺点及其改进算法 | 第24-25页 |
| 3．2 局部放电Hn（q，Φ）图像构造方法 | 第25-26页 |
| 3．3 网络结构参数选择 | 第26-27页 |
| 3．4 神经网络的训练及识别结果 | 第27-28页 |
| 3．4．1 神经网络的训练 | 第27-28页 |
| 3．4．2 识别结果 | 第28页 |
| 3．5 小结 | 第28-35页 |
| 4 局部放电图像的分形压缩 | 第35-53页 |
| 4．1 图像质量的判别 | 第35-36页 |
| 4．2 分形静态图像压缩的基本原理 | 第36-41页 |
| 4．2．1 R~2空间迭代函数系统理论基本原理 | 第36-39页 |
| 4．2．2 分形静态图像压缩编码的基本方法 | 第39-41页 |
| 4．3 自适应四叉树分形压缩编码方法 | 第41-45页 |
| 4．3．1 图像的四叉树分割 | 第42-43页 |
| 4．3．2 父块的分类方法 | 第43-44页 |
| 4．3．3 四叉树分形编码算法 | 第44页 |
| 4．3．4 仿真实验 | 第44-45页 |
| 4．4 局部放电图像压缩效果分析 | 第45-46页 |
| 4．5 小结 | 第46-53页 |
| 5 局部放电解码图像的识别效果分析 | 第53-58页 |
| 5．1 局部放电解码图像识别结果 | 第53-54页 |
| 5．2 局部放电模式远程自动识别方案 | 第54-56页 |
| 5．3 本章小结 | 第56-58页 |
| 6 结论 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-63页 |
