一、基于Bayesian网络的缺损数据处理方法（论文文献综述）
常淼[1]（2021）在《基于深度学习的风电滚动轴承故障诊断与预测》文中研究说明随着社会的不断发展,大气环境污染问题日渐加剧,风能是最为最清洁的可再生能源之一,在改善能源结构方面具有重要作用,在世界各国倍受重视。随着装机容量的快速发展,风电机组的运行维护问题日益突出。由于长期工作在恶劣环境中,风电机组各部件的运行性能和健康状态随运行环境和时间的变化呈现衰退趋势,甚至产生故障,导致严重的发电量损失和经济损失。在风电机组中,由齿轮箱轴承故障引起的停机时间最长,而滚动轴承是其重要组成部件,对其故障诊断与预测进行研究具有重要的理论研究价值和工程应用意义。针对风电滚动轴承的故障诊断,目前常用的方法是将人工提取特征和分类器结合的方法来实现故障识别,模型通常较复杂,人工提取特征容易丢失关键信息,无法保证通用性和泛化能力。为此,论文以风电机组滚动轴承为研究对象,考虑风电机组滚动轴承故障特征微弱、提取困难,诊断效率低下等问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）的故障诊断算法,实现故障特征自动提取和故障分类。在此故障诊断策略中,对传统CNN的结构和训练算法进行改进。通过实验证明此模型在故障特征提取自动提取、训练速度、诊断精确度、泛化能力、鲁棒性等方面的优越性。考虑CNN网络参数对故障诊断的影响,且无法对所有数据集进行最佳泛化的问题,使用贝叶斯优化器对此改进CNN模型的网络深度、初始学习率、正则化系数以及随机梯度下降算法的动量进行选择。通过实验,对贝叶斯优化的迭代过程进行数字和图像的记录,分析CNN参数优化结果,对优化得到的CNN模型的泛化性和鲁棒性进行验证。对风电滚动轴承已发故障的迅速诊断可以节省故障排查时间。但是,对其运行状态进行预测性诊断可以及时识别故障征兆,及早确定故障发生的时间,从而对设备进行预测性维护。考虑长短期记忆网络（Long Short Term Memory,LSTM）在处理时序序列方面的优越性,提出一种基于双层LSTM的故障预测策略。在此故障预测策略中,两个LSTM分别用于短期时序预测和序列到标签的分类,从而实现对该时序序列未来一定时间的每一个时间步的运行状态的预测。通过实验验证此模型在故障预测方面的有效性。对风电滚动轴承的剩余寿命预测进行研究,可以进一步优化运维检修策略和备件订购事宜,进行视情维修,提高风电机组运行的可靠性。考虑LSTM在处理较长时序序列所需时间较长的问题,提出一种基于CNN-LSTM模型的风电滚动轴承剩余寿命预测模型,充分利用CNN的故障特征提取能力和LSTM处理时序序列方面的优越性。通过实验验证此CNN-LSTM模型可以较为精确地描绘剩余寿命变化趋势,在实现剩余寿命预测方面具有很高的有效性。
魏俣童[2]（2021）在《不稳定环境下基于深度网络的视频修复和强化学习方法研究》文中研究表明作为人工智能领域的重要概念,深度学习的研究已经引发了国内外学者的广泛关注和热情。深度学习的发展目标是使机器拥有与人类似的感知和决策等能力,来帮助或代替人类解决很多工作和生活上的难题,如自动驾驶、AI医疗诊断、智能客服等。考虑到现实场景一般都是复杂多变的,因此将深度学习方法拓展到不稳定环境中,就具有重要的理论研究价值和实际应用意义。由于不稳定环境的制约,视频质量在传输中难以得到保证,目前对于该问题的研究大多集中于传输阶段,其效果受到客观条件的限制,无法保证视频的无损传输。同时,目前适用于复杂环境中策略求解的深度强化学习方法一般带有环境稳定的默认假设,然而在不稳定环境中该假设也难以满足,这就导致决策策略的有效性无法得到保证;并且深度强化学习方法本身也存在着探索利用平衡、超参数选择等棘手的问题。针对上述情况,本文的具体工作如下:（1）不稳定环境下的传输视频缺损问题。以视频传输数据为例,本文考虑了一个非常一般的带有完全随机性的视频缺损情况,并且提出了不稳定传输下低延时的视频修复方法:首先通过引入光流图将复杂的三维RGB图像中运动轨迹的提取问题降低到两维,再基于运动轨迹在时间维度上的连续性建立线性预测模型,来对受损的视频帧进行粗略修复;然后提出了一个编码-解码器结构的部分卷积神经网络,结合粗略修复的结果以及原始的参考帧来完成受损视频帧的精细修复。（2）不稳定环境下的强化学习问题。针对决策过程中环境发生改变的情况,本文提出了一个自适应的深度强化学习方法:首先,通过引入深度网络模型的不确定性,将深度网络对于状态动作值的确定预测转化为预测分布,该分布反映了智能体对环境的学习进度,并且通过比较采样得到的状态动作值可以对动作进行选择。当环境发生变化时,深度网络的训练数据分布将发生变化,其预测分布也会出现相应的变化,从而对动作的选取作出调整。其次,提出了一个深度强化学习中深度网络设置的合理性判据,并且基于大偏差原理将误判概率最小化,利用该判据可以在网络训练完成之前对其设置的合理性作出预判。经实验验证,低延时的视频修复方法不仅在多种信息丢失的情况下实现了比基线高4.0%～12.7%的修复质量,还有效减少了视频修复模型启动前的等待时间;自适应的深度强化学习方法在稳定和不稳定环境中都能实现自动的探索利用平衡及策略更新,并且有效节约了深度网络超参数设置过程的时间和成本。本文所提出的方法拓宽了深度学习的应用场景,有效提高了视频传输和强化学习方法的实用性和稳定性。
袁福来[3]（2020）在《基于生成式对抗网络的嵌体设计技术研究》文中指出牙体缺损是口腔临床的常见病和多发病,是口腔修复学的核心研究方向。本文针对传统手工制备和牙科CAD系统修复存在咬合面形态不自然、修复体边缘适合性较差等问题,构建了一种基于颌位空间约束以及沟窝形态特征引导的缺损牙体修复网络模型。结合数字化几何处理技术重建出具有个性化解剖特征、满足功能性修复要求的咬合面形态,并制定了一套针对牙体局部缺损和大面积缺失的修复方案。论文主要的研究工作如下:（1）针对牙体局部缺损具有重建面积小、剩余牙冠形态较为丰富的特点,提出一种基于条件生成式对抗网络的局部缺损区域自动修复方法。首先,采用基于自适应视距的牙冠深度图计算方法,构建网络模型的训练和测试数据集;其次,以颌位空间约束及感知特征损失约束训练网络模型至收敛状态,实现患牙咬合面的个性化修复。（2）针对咬合面形态和咬合关系严重缺损的牙体,提出采用Wasserstein生成式对抗网络结合双判别器的大面积缺失牙重建方法。首先,分别采用局部和全局判别器对患牙形态特征和患牙及其邻牙的形态特征进行鉴别;其次,采用直方图损失计算上下颌位的咬合间距分布,直接约束生成器重建正确的咬合接触关系;最后,采用预训练的牙体发育沟特征提取网络约束修复牙和目标牙的沟窝形态偏差,进而实现牙体大面积缺损区域重建。（3）结合网络生成的咬合面深度图信息,研究了嵌体内外表面重建、边缘形态约束变形及修复体造型设计方法。首先,依据像素-距离的映射模式,计算出像素对应的牙冠点云数据,并通过改进的区域增长三角剖分方法重建修复牙冠三维网格模型;其次,以预备体边缘线作为形态参照,从预备体和修复牙冠上分割出内表面和咬合表面,通过约束变形调整咬合表面的边界区域位置以及边界降噪算法优化咬合表面边界形态,提高表面边缘适合性;最后,连接内表面和咬合表面边界,完成修复体造型设计。
张鹏[4]（2020）在《基于数据分析的宜宾电网输电线路无人机巡检应用研究》文中认为输电线路是电网设备的重要组成部分,大多数输电线路都位于户外山林甚至一些恶劣环境中,在外部自然环境的作用下,输电线路导线、地线、金具及绝缘子等都会出现不同程度的缺陷,需要定期进行巡视及维护。宜宾市位于四川南部,是四川及云南两省重要的电力能源输出通道。截至2018年12月底,国网四川省电力公司宜宾供电公司共管辖输电线路35kV输电线路共33回,线路总长350.48公里;110kV线路共78回,线路总长1055.953公里;220kV线路共35回,线路总长1028.955公里。以上输电线路,即保障了整个宜宾地区的用电需求,也是四川电网网络结构的重要组成部分。因此保障宜宾电网输电线路的安全稳定运行尤为重要。随着无人机的广泛推广应用,宜宾电网于2016年开始运用无人机进行输电线路巡检作业,目前拥有各类完整无人机巡检系统8套,其中多旋翼无人机系统6套,固定翼无人机系统2套。自2016年至2018年底,已累计完成巡检35kV220kV输电线路杆塔4217基、通道896公里,发现缺陷4938余处。通过对这些缺陷数据的统计分析,可以判断出线路设备的运行状况,从而对线路常规检修和状态检修提供指导性意见。但当前的无人机巡检模式仍存在过度依赖操控手的技能和经验、巡检自动化程度较低、巡检数据量过大、数据处理耗时费力以及对缺陷数据缺乏深度分析和挖掘处理等问题,没有实现无人机巡检系统自动飞行、自动拍摄、数据分析等目标,也没有从缺陷数据分析和挖掘中获取有效信息,无法有效指导线路状态维护和检修。基于此,本文主要开展了两方面的研究工作:一是构建了宜宾电网架空输电线路精细化全自动巡检模式,解决了现有手动操控手人工成本高、巡检自动化程度低、人工飞行难度高、无法达到高精度、无法保证控制一致性、无法有效覆盖工作区域、需频繁转场等短板。二是运用TF-IDF数据统计方法对宜宾电网架空输电线路巡检数据进行分析和通过朴素贝叶斯分类预测模型直接指导维护和检修工作,并通过举例和验证,论证了统计方法和预测模型的有效性及准确性。本文所搭建的架空输电线路无人机巡检平台是对当前无人机巡检方式的全面提升,是巡检方式、巡检质量、巡检效率以及巡检管理等各方面的一次全面革新,具有较高的经济价值和管理价值;所运用和构建的TF-IDF数据统计分析方法与朴素贝叶斯分析预测模型可以直接参与指导架空输电线路状态检修,具有较高的推广价值。
彭新亮,程力,王轶,马博,赵凡,周喜[5]（2019）在《基于真值发现的加油站车辆号牌缺损数据填充方法》文中提出由于数据采集设备的不完善以及数据在传输过程中的不可靠性等原因,致使加油站车辆加油数据中经常会产生数据的丢失和错误,降低了车辆加油数据的完整性,严重影响了后续的数据分析工作。目前虽然已有许多算法可以解决连续型数值数据的缺损问题,但是它们并不适用于车辆号牌这种离散型分类数据。提出一种基于改进TruthFinder算法的缺损值填充框架。基于真值发现算法,考虑到离散数据相似度的计算方式,改进原算法对数据值支持度的计算模型。通过在真实加油站车辆数据集上的实验,相较于原算法及更加通用的Voting算法,正确率分别提升了7%和23%。该方法能部分解决类似加油站车辆加油数据这种多源离散型数据的缺损值填充问题,大大提高了此数据的可用性。
董银霜[6]（2019）在《基于贝叶斯网络的差分隐私保护数据发布》文中认为随着移动互联技术及应用的深入和发展,许多公司、组织（如搜索引擎公司、电子商务企业或Internet服务提供商）提供便捷服务的同时也会收集海量的用户行为数据用于发布、统计、分析和挖掘等,然而,用户敏感的信息往往就存在于这些数据中。因此,在对这些数据进行发布、统计前需要对其进行隐私保护处理,以防用户隐私数据的泄露。差分隐私模型是现今使用最广泛的受隐私保护的数据发布技术,该模型以其出色的性能应用于许多隐私保护场合,主要通过向原始数据中添加噪声来实现隐私保护。然而,面对高维数据时,现存的隐私保护算法通常注入过大的噪声,使得发布的数据过度失真而具有较差的的准确性和可用性,因此,在满足差分隐私约束的基础上,如何提高发布数据的有效性和实用性是一个主要的难点。由此,本文所要研究的内容是基于差分隐私保护下的高维数据集的发布问题,研究目标为在满足差分隐私保护的前提下实现高维数据集数据发布的有效性和可用性（utility）。论文的主要贡献包括以下两个方面:（1）研究贝叶斯网络结构,针对现存贝叶斯网络模型的不足之处,提出一种基于互信息和K2评分函数相结合的带权贝叶斯网络模型。该模型通过对首属性的选择以及k值的确定,使得构造的贝叶斯网络中节点的低维边缘分布与高维数据集中属性的全分布高度拟合,提高分类准确性。（2）在贝叶斯网络模型既定的情况下,向数据集中添加噪音使其满足差分隐私保护。添加噪声时考虑属性字段的次序,并采取异方差加噪方式,使得数据集拥有一定的隐私性的同时,具有较高的可用性。（3）通过实验对生成的加噪数据集的可用性、安全性以及算法性能进行了佐证,和其他现存的一些相关类似算法进行比较,证明了本文提出的算法更优。图[13]表[7]参[55]
彭鑫[7]（2019）在《基于贝叶斯非参数的逆合成孔径雷达高分辨成像》文中指出目前,基于傅里叶分析的传统高分辨逆合成孔径雷（Inverse synthetic aperture radar,ISAR）成像方法已经较为成熟,能够在高信噪比条件下获得平稳目标聚焦良好的成像结果。但是,ISAR所面临的目标及观测环境日益复杂,当目标非平稳、回波信噪比较低或存在缺损时,现有成像方法性能会迅速下降甚至完全失效,从而为基于ISAR像的特征提取与识别带来较大困难。由于贝叶斯非参数方法的参数空间能够适应观测数据的变化,具有很强的灵活性,因此为解决复杂环境高分辨ISAR成像问题提供了新思路。针对复杂环境空间目标高分辨ISAR成像问题,论文首先建立了ISAR观测模型与贝叶斯概率图模型,探索基于贝塔过程线性回归、高斯过程回归等贝叶斯非参数方法的空间目标高分辨ISAR成像机理,进而基于先进的贝叶斯学习方法研究强噪声环境下的空间目标高分辨ISAR成像方法。最终,通过搭建图形用户界面（Graphical user interface,GUI）实现复杂环境典型目标的高分辨ISAR成像处理。论文相关研究工作将为提高我国成像雷达在复杂条件下的空间目标探测能力提供理论与技术支撑。论文主要工作总结如下:第一部分针对低信噪比、数据缺损等复杂观测条件,提出基于贝塔过程线性回归的高分辨ISAR成像方法。首先,建立了ISAR成像的稀疏信号观测模型,进而构建基于单维贝塔过程线性回归的成像模型,并提出有效的先验参数选取方法及基于Gibbs采样的模型参数求解方法。在此基础上,对单维贝塔过程线性回归（Unidimensional beta process linear regression,UBPLR）模型进行改进,提出基于多维贝塔过程线性回归（Multidimensional beta process linear regression,MBPLR）的ISAR成像模型,并确定了模型最优参数。最后,采用仿真及实测数据验证了算法的有效性。第二部分针对低信噪比条件下,传统基于数据域与图像域的ISAR像降噪方法失效问题,提出基于高斯过程回归的空间目标距离瞬时多普勒（Range instantaneous doppler,RID）图像序列降噪方法。首先,建立了ISAR像序列的高斯过程回归模型,进而提出基于最大似然估计及梯度下降法的模型参数及核函数参数求解方法。最后,采用点仿真及电磁仿真数据验证了所提方法的有效性,并采用Monte Carlo实验验证了方法的鲁棒性。第三部分编写了基于贝叶斯非参数ISAR高分辨成像的用户界面。首先概述了GUI的基本概念、基本结构和设计原则,接着使用GUIDE完成GUI的编写,并分别给出基于贝塔过程线性回归的高分辨ISAR成像和基于高斯过程回归的ISAR像序列降噪GUI界面编写实例,实现了复杂环境典型空间目标的高分辨ISAR成像与降噪的处理。
董冰[8]（2019）在《基于贝叶斯网络的电力变压器故障诊断》文中研究表明电网稳定运行需要系统中各设备的协调配合,变压器作为电网中的能量交换设备,其运行状况对电网有直接的影响。并且随着电力变压器电压等级更高、结构更复杂,其故障也变得更加复杂化和多样化,故障原因与故障征兆之间的关系也更加不易探究,因此很难采集到完整无误的故障样本,这便大大增加了变压器故障诊断的难度。因此,本文在分析了电力变压器故障诊断的各类方法后,选择以改良三比值法为基础,利用贝叶斯网络处理因果关系简洁明了的优势,以朴素贝叶斯网络来构建故障诊断网络模型,并利用概率计算对变量间的关系进行量化,使其对于判断电力变压器运行过程中出现的不确定因素所引起的故障具有了明显优势;在此基础上又结合了粗糙集理论对该网络模型进行了进一步的改进,充分利用粗糙集理论的属性约简功能对所构建的故障诊断模型简化处理,大大减少了网络模型的节点数,降低模型结构的复杂性,以此来提高网络的学习速度及判断能力。为了验证将朴素贝叶斯网络与粗糙集理论相结合的诊断方法是否能够提高处理不完整信息的能力,本文通过收集大量变压器故障数据样本,利用Matlab仿真软件对所收集的数据样本进行训练和测试,并且将仿真结果与仅使用朴素贝叶斯网络方法进行诊断的仿真结果进行了对照,验证了本文提出的验证了本文所提出的方法能够有效的克服信息缺失或者不完整对变压器故障诊断所造成的困难,有效提升了故障诊断的准确性。
范毅然[9]（2019）在《轻度认知功能障碍工作记忆脑电网络连接缺损机制研究》文中研究指明研究目的:轻度认知功能障碍（Mild Cognitive Impairment,MCI）是阿尔兹海默症（Alzheimer’s Disease,AD）的危险因素,同时也是预防和治疗阿尔兹海默症的关键阶段。工作记忆障碍（Working Memory Dysfunction,WMD）是MCI的主要临床表现。研究MCI的工作记忆障碍机制对AD的防治具有重要意义。本论文以MCI组和正常对照组在视觉工作记忆中的多通道脑电信号为研究对象,结合工作记忆行为学、神经振荡和脑网络功能连接,研究MCI工作记忆障碍的脑网络连接缺损机制,为MCI工作记忆障碍的定量评估和AD的防治提供支持。研究方法:1.实验数据:15例MCI患者（MCI组）和15例正常对照（Con组）在视觉工作记忆任务中的工作记忆行为学和同步采集的34通道脑电数据。2.工作记忆行为学数据:分别计算MCI组和Con组在视觉工作记忆任务中的平均正确率和平均反应时间,定量研究MCI工作记忆的行为学障碍。3.脑电数据预处理:分别对MCI组和Con组脑电数据去除工频干扰、基线漂移、眼电和肌电等干扰。4.时频分析:应用短时傅里叶变换（Short-time Fourier Transform,STFT）分别计算预处理后的MCI组和Con组在视觉工作记忆任务中的34通道脑电数据的时频分布,分析工作记忆脑电能量密度的特征频段以及特征时段,定量表征MCI工作记忆障碍的神经振荡。5.Granger因果分析:应用Granger因果分析构建脑电因果网络,确定工作记忆脑电网络连接最大的频段;应用定向传递函数（Directed Transfer Function,DTF）计算预处理后的MCI组和Con组在视觉工作记忆任务中的34通道脑电数据的脑网络功能连接,定量表征MCI工作记忆障碍的脑电网络连接。6.统计学分析:应用独立样本t检验对MCI组和Con组间的差别进行统计学检验,对于组内各频段的统计学检验应用配对样本t检验。研究结果:1.MCI工作记忆行为学障碍:MCI组和Con组执行工作记忆任务平均正确率分别为72.34±0.81%和83.19±1.47%,MCI组的正确率显着低于Con组（P<0.001）。MCI组和Con组的工作记忆任务平均反应时间分别为1509.4±39.2ms和1235.6±74.7ms,MCI组的平均反应时间显着大于Con组（P<0.001）。2.MCI脑电theta振荡下降:MCI组和Con组的工作记忆脑电平均能量密度均在4-8Hz的theta频段取得最大。MCI组的工作记忆脑电theta频段平均能量密度（0.305±0.033μV^2/Hz）显着小于Con组（0.468±0.103μV^2/Hz）（P<0.001）。工作记忆保持期脑电能量密度明显大于编码期和提取期。工作记忆保持期脑电theta频段的平均能量密度都主要集中在额中线的Fz通道附近。3.MCI脑电gamma网络功能连接下降:MCI组和Con组的工作记忆保持期脑电平均网络连接强度均在30-80Hz的gamma频段取得最大。MCI组工作记忆保持期脑电的gamma频段平均网络功能连接强度（0.0123±0.0006）显着小于Con组（0.0153±0.0005）（P<0.001）。工作记忆保持期gamma频段脑电网络功能连接强度较大的通道主要集中在顶叶。研究结论:1.MCI患者发生工作记忆行为学障碍:平均正确率显着下降,平均反应时间显着延长。2.MCI工作记忆障碍与脑电theta振荡减弱密切相关:工作记忆脑电能量密度的特征频段是theta频段,特征时段是工作记忆保持期;MCI工作记忆障碍的神经振荡机制可能是脑电theta频段能量密度降低。3.MCI工作记忆障碍与脑电网络gamma频段连接下降密切相关:工作记忆保持期脑电网络功能连接强度最大值在gamma频段取得;MCI工作记忆障碍的脑网络缺损机制可能是gamma频段脑电网络连接下降。
张函[10]（2019）在《基于关联规则贝叶斯网络的输电线路状态评估方法研究》文中研究表明输电线路是电力系统的关键部分,是传输电能的“命脉”,其运行状态的好坏影响着整个电网的安全稳定运行,并且输电线路易受环境和地形的影响。为及时掌握线路的运行情况,必须对线路进行状态检修。而状态检修的前提是先要对线路的运行状态进行评价,掌握线路的运行状态,然后制订合理有效的检修方案。然而,输电线路状态评估参数的数量多而复杂,并且随着智能电网的发展,线路的状态数据也呈爆炸式增长,若对海量的状态数据进行评估,则会影响评估结果的准确性和评估效率。鉴于此,本文提出了一种基于关联规则方法和贝叶斯网络的输电线路运行状态评估方法。首先,本文对输电线路在运行过程中主要的故障类型及影响情况进行分析,并结合线路的评估导则和实际运行经验,选取出能够反映输电线路运行状态的8个部件和84个指标状态参量,组成基础状态评估参量体系;利用关联规则方法的支持度和置信度对基础参量进行量化,挑选出最能准确反映线路状态的指标参量,构成关键参量体系。其次,根据输电线路状态评估关键参数体系表,构建了基于贝叶斯网络的线路状态评估图模型和数学模型,并利用经验数据对模型进行参数学习,根据贝叶斯分类算法推理出线路的运行状态。经过实例仿真计算,证明了本文所研究方法的适用性和合理性。最后根据本文搭建的输电线路状态评估模型,利用MATLAB GUIDE编程语言,搭建了基于贝叶斯网络的输电线路状态评估系统,并运用实例进行验证,该系统能够准确分析出线路的运行状态,且评估结果直观有效。证明了本文所搭建的评估系统具有可适用性。
二、基于Bayesian网络的缺损数据处理方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Bayesian网络的缺损数据处理方法（论文提纲范文）
（1）基于深度学习的风电滚动轴承故障诊断与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 国内研究现状及发展趋势 |
| 1.2.2 国外研究现状及发展趋势 |
| 1.3 主要研究内容与章节安排 |
| 第二章 基于改进CNN的风电轴承故障诊断策略 |
| 2.1 引言 |
| 2.2 深度学习常见问题 |
| 2.2.1 梯度消失 |
| 2.2.2 过拟合 |
| 2.2.3 计算量大 |
| 2.3 CNN基本理论 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 目标函数 |
| 2.3.5 CNN的训练 |
| 2.4 模型评价指标 |
| 2.5 改进的CNN模型 |
| 2.5.1 批归一化 |
| 2.5.2 改进CNN的结构 |
| 2.5.3 改进CNN的训练 |
| 2.5.4 基于改进CNN的故障诊断流程 |
| 2.6 基于改进CNN的轴承故障诊断 |
| 2.6.1 实验数据 |
| 2.6.2 CNN模型的结构与参数 |
| 2.6.3 泛化性验证 |
| 2.6.4 特征降维可视化 |
| 2.6.5 鲁棒性验证 |
| 2.7 本章小结 |
| 第三章 基于贝叶斯优化的CNN超参数优化策略 |
| 3.1 引言 |
| 3.2 贝叶斯优化原理与应用 |
| 3.2.1 贝叶斯优化器 |
| 3.2.2 概率代理模型 |
| 3.2.3 采集函数 |
| 3.3 贝叶斯优化CNN模型 |
| 3.3.1 贝叶斯优化流程 |
| 3.3.2 基于贝叶斯优化CNN的故障诊断策略 |
| 3.3.3 贝叶斯优化结果与分析 |
| 3.3.4 泛化性和鲁棒性验证 |
| 3.4 本章小结 |
| 第四章 基于双层LSTM的故障预测策略 |
| 4.1 引言 |
| 4.2 RNN基本理论 |
| 4.2.1 RNN的结构 |
| 4.2.2 RNN的梯度消失与梯度爆炸 |
| 4.3 LSTM基本理论 |
| 4.3.1 LSTM自循环 |
| 4.3.2 LSTM的门结构 |
| 4.3.3 LSTM的训练 |
| 4.4 双层LSTM模型 |
| 4.4.1 LSTM模型 |
| 4.4.2 Adam算法 |
| 4.4.3 基于双层LSTM模型的故障预测模型 |
| 4.5 实验验证 |
| 4.5.1 实验数据集 |
| 4.5.2 用于时序预测的LSTM |
| 4.5.3 序列到序列分类的LSTM |
| 4.5.4 故障预测实验结果 |
| 4.6 本章小结 |
| 第五章 基于CNN-LSTM的剩余寿命预测策略 |
| 5.1 引言 |
| 5.2 剩余寿命 |
| 5.2.1 统计学寿命模型 |
| 5.2.2 基于断裂力学的剩余寿命模型 |
| 5.2.3 经验寿命模型 |
| 5.3 滚动轴承全寿命试验平台 |
| 5.4 基于CNN-LSTM的剩余寿命预测模型 |
| 5.4.1 CNN-LSTM模型 |
| 5.4.2 实验数据预处理 |
| 5.4.3 剩余寿命预测 |
| 5.5 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（2）不稳定环境下基于深度网络的视频修复和强化学习方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与研究现状 |
| 1.1.1 不稳定传输下视频缺损的研究现状 |
| 1.1.2 不稳定环境中决策的研究现状 |
| 1.2 本文主要工作 |
| 1.3 本文结构安排 |
| 第2章 基础知识介绍 |
| 2.1 部分卷积神经网络 |
| 2.2 光流图 |
| 2.3 深度网络模型的不确定性 |
| 2.3.1 贝叶斯神经网络 |
| 2.3.2 带有随机正则化的深度网络 |
| 2.4 本章小结 |
| 第3章 不稳定传输中受损视频的低延迟修复方法 |
| 3.1 引言 |
| 3.2 不稳定传输下的视频修复任务 |
| 3.3 低延迟修复方法 |
| 3.3.1 基于线性组合的粗略修复阶段 |
| 3.3.2 基于PCFC-Net的精细修复阶段 |
| 3.4 仿真实验 |
| 3.4.1 数据集和数据准备 |
| 3.4.2 训练设置 |
| 3.4.3 硬件环境 |
| 3.4.4 与现有方法的比较 |
| 3.4.5 PCFC-Net的有效性 |
| 3.4.6 主要结果 |
| 3.5 本章小结 |
| 第4章 针对不稳定环境的自适应深度强化学习方法 |
| 4.1 引言 |
| 4.2 深度Q学习算法的基本框架 |
| 4.3 自适应的深度强化学习方法 |
| 4.3.1 自调整的深度Q学习算法 |
| 4.3.2 环境变化的感知 |
| 4.3.3 网络参数设置合理性判定 |
| 4.4 仿真实验 |
| 4.4.1 FlipIt的MDP模型 |
| 4.4.2 环境设置 |
| 4.4.3 不稳定策略对手 |
| 4.4.4 稳定策略对手 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（3）基于生成式对抗网络的嵌体设计技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 口腔修复技术发展 |
| 1.2.1 传统的口腔修复方法 |
| 1.2.2 基于数字化几何处理的修复技术 |
| 1.3 智能化技术在医疗领域的应用 |
| 1.3.1 医疗大数据的应用 |
| 1.3.2 深度学习在医疗领域的应用 |
| 1.3.3 口腔医疗智能化技术 |
| 1.4 选题背景及主要研究内容 |
| 1.4.1 选题背景 |
| 1.4.2 课题研究内容 |
| 第二章 基于CGAN的咬合面局部缺损修复设计技术 |
| 2.1 引言 |
| 2.2 生成式对抗网络理论 |
| 2.2.1 生成式对抗网络基本原理 |
| 2.2.2 条件生成式对抗网络 |
| 2.3 基于自适应视距投影的深度图生成 |
| 2.3.1 牙齿模型规范化预处理 |
| 2.3.2 牙齿深度信息图生成 |
| 2.4 咬合面局部缺损修复网络模型 |
| 2.4.1 生成器G网络结构 |
| 2.4.2 判别器D网络结构 |
| 2.4.3 颌位空间约束及网络损失函数 |
| 2.5 实验设置及结果分析 |
| 2.5.1 局部缺损牙数据集 |
| 2.5.2 网络训练及参数设置 |
| 2.5.3 实验及结果分析 |
| 2.6 本章小结 |
| 第三章 基于WGAN的牙体大面积缺失修复设计技术 |
| 3.1 引言 |
| 3.2 牙体大面积缺失修复网络模型 |
| 3.2.1 生成式对抗网络存在的问题 |
| 3.2.2 基于Wasserstein距离的生成式对抗网络 |
| 3.2.3 结合双判别器和WGAN的牙体修复网络 |
| 3.3 基于牙齿条件数据的网络模型目标约束 |
| 3.3.1 L1 正则化重建损失约束 |
| 3.3.2 颌位间距直方图损失约束 |
| 3.3.3 牙冠发育沟形态约束 |
| 3.4 对比实验及结果分析 |
| 3.4.1 大面积缺失牙数据集 |
| 3.4.2 网络模型训练及参数设置 |
| 3.4.3 网络模型性能分析 |
| 3.4.4 实验结果及对比分析 |
| 3.5 本章小结 |
| 第四章 基于约束变形的嵌体修复体设计技术 |
| 4.1 引言 |
| 4.2 基于区域增长的牙齿图像三维重建 |
| 4.2.1 构建牙齿模型点云数据 |
| 4.2.2 区域增长三角剖分基本原理 |
| 4.2.3 改进的区域增长三角剖分方法 |
| 4.3 预备体边缘线引导的咬合表面边界匹配 |
| 4.3.1 牙冠表面区域分割 |
| 4.3.2 基于约束变形的咬合表面边界定位 |
| 4.3.3 嵌体咬合表面边界降噪 |
| 4.3.4 嵌体修复体设计 |
| 4.4 修复体质量评价及功能实现 |
| 4.4.1 修复方法对比及质量评估 |
| 4.4.2 临床案例评价 |
| 4.4.3 修复体设计功能实现 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（4）基于数据分析的宜宾电网输电线路无人机巡检应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题研究意义 |
| 1.2 国内外研究动态 |
| 1.2.1 架空输电线无人机巡检现状 |
| 1.2.2 状态评估的研究现状 |
| 1.2.3 数据挖掘技术的研究现状 |
| 1.3 本文的主要工作和创新点 |
| 第二章 宜宾电网输电线路无人机巡检现状 |
| 2.1 宜宾电网输电线路无人机巡检发展进程 |
| 2.2 宜宾电网输电线路无人机巡检技术支撑 |
| 2.2.1 输电线路无人机巡检定义 |
| 2.2.2 输电线路无人机巡检主要项目 |
| 2.2.3 实现输电线路无人机巡检的技术支撑 |
| 2.3 本章小结 |
| 第三章 架空输电线路状态评估理论 |
| 3.1 基本思路 |
| 3.2 基本术语及定义 |
| 3.3 各部分评估标准 |
| 3.3.1 杆塔评估标准 |
| 3.3.2 绝缘子评估标准 |
| 3.3.3 金具评估标准 |
| 3.3.4 导地线的评估标准 |
| 3.3.5 基础设施的评估标准 |
| 3.3.6 附属设施的评估标准 |
| 3.4 本章小结 |
| 第四章 宜宾电网架空输电线路无人机巡检平台构思建设 |
| 4.1 宜宾电网架空输电线路巡检现状及其问题分析 |
| 4.2 设计思路 |
| 4.2.1 平台建设目标 |
| 4.2.2 平台建设原则 |
| 4.3 平台结构和框架 |
| 4.3.1 平台硬件体系结构 |
| 4.3.2 平台拓扑体系结构 |
| 4.3.3 平台技术路线 |
| 4.4 平台功能和性能介绍 |
| 4.4.1 基于RTK精确定位技术的无人机自主巡检航迹规划方法 |
| 4.4.2 基于AI的数据采集及数据处理 |
| 4.5 本章小结 |
| 第五章 基于数据分析的输电线路状态评估 |
| 5.1 基本思想 |
| 5.2 巡检缺陷数据预处理 |
| 5.3 TF-IDF统计方法 |
| 5.3.1 TF-IDF统计方法简介 |
| 5.3.2 TF-IDF统计方法优缺点介绍 |
| 5.4 TF-IDF统计方法在架空输电线路缺陷数据分析上的应用 |
| 5.4.1 将TF-IDF统计方法应用于架空输电线路缺陷数据分析的思考 |
| 5.4.2 TF-IDF统计方法应用于架空输电线路缺陷数据分析基本方法 |
| 5.4.3 TF-IDF统计方法应用于架空输电线路缺陷数据分析实例分析 |
| 5.5 朴素贝叶斯分类器及其应用分析 |
| 5.5.1 朴素贝叶斯分类器简介 |
| 5.5.2 朴素贝叶斯分类器在架空输电线路缺陷数据分析上的应用 |
| 5.6 朴素贝叶斯分析方法在架空输电线路缺陷数据分析上的算例 |
| 5.7 预测模型预测结果分析验证 |
| 5.8 基于TF-IDF统计方法和朴素贝叶斯分析方法的架空输电线路状态评估分析 |
| 5.8.1 架空输电线路状态评估分析 |
| 5.8.2 根据线路运行状态指导线路巡视和检修 |
| 5.9 本章小结 |
| 5.10 管理启示 |
| 第六章 总结与展望 |
| 6.1 主要创新点 |
| 6.2 不足之处 |
| 6.3 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 A PYTHON运行TF-IDF截图 |
（5）基于真值发现的加油站车辆号牌缺损数据填充方法（论文提纲范文）
| 0 引 言 |
| 1 相关工作 |
| 2 缺损值填充框架 |
| 2.1 问题的产生背景 |
| 2.2 问题的定义及分析 |
| 2.3 符号及其含义 |
| 2.4 TruthFinder算法 |
| 2.5 基于真值发现的缺损值填充方法 |
| 2.6 数据填充过程 |
| 3 实验与结果 |
| 3.1 实验配置 |
| 3.2 加油数据集 |
| 3.3 参数对结果的影响 |
| 3.4 实验性能对比及分析 |
| 4 结 语 |
（6）基于贝叶斯网络的差分隐私保护数据发布（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状以及存在的问题 |
| 1.3 论文主要研究内容 |
| 1.4 本文章节安排 |
| 2 隐私保护概述 |
| 2.1 隐私保护的基础知识 |
| 2.1.1 隐私的概念 |
| 2.1.2 隐私保护系统 |
| 2.1.3 隐私研究的数学描述 |
| 2.2 隐私保护技术 |
| 2.2.1 数据失真技术 |
| 2.2.2 数据加密技术 |
| 2.2.3 数据匿名技术 |
| 2.3 数据发布中的隐私保护技术 |
| 2.3.1 匿名隐私保护技术 |
| 2.3.2 数据扰动技术 |
| 2.4 隐私保护技术性能评估标准 |
| 2.5 本章小结 |
| 3 差分隐私保护数据发布 |
| 3.1 引言 |
| 3.2 差分隐私基础定义及概念 |
| 3.2.1 差分隐私定义 |
| 3.2.2 差分隐私的相关概念 |
| 3.3 差分隐私保护实现机制 |
| 3.3.1 拉普拉斯机制 |
| 3.3.2 指数机制 |
| 3.4 差分隐私保护性能评价指标 |
| 3.5 差分隐私保护数据发布框架 |
| 3.5.1 交互式数据发布框架 |
| 3.5.2 非交互式数据发布框架 |
| 3.6 面向高维数据集的数据发布 |
| 3.7 本章小结 |
| 4 一种基于贝叶斯网络的差分隐私数据发布方法 |
| 4.1 贝叶斯网络基本概念 |
| 4.2 信息熵与互信息 |
| 4.3 贝叶斯网络结构学习算法 |
| 4.3.1 基于互信息的贪心算法-GreedyBayes |
| 4.3.2 GreedyBayes改进算法 |
| 4.4 一种基于贝叶斯网络的差分隐私数据发布方法 |
| 4.4.1 基于贝叶斯网络的差分隐私算法 |
| 4.4.2 改进的差分隐私算法 |
| 4.5 本章小结 |
| 5 实验分析 |
| 5.1 实验环境 |
| 5.1.1 实验平台 |
| 5.1.2 实验数据集 |
| 5.2 实验结果与分析 |
| 5.2.1 改进的贝叶斯网络结构分类精度分析 |
| 5.2.2 安全性和可用性分析 |
| 5.2.3 时间性能分析 |
| 6 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（7）基于贝叶斯非参数的逆合成孔径雷达高分辨成像（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 ISAR高分辨成像方法概述 |
| 1.2.1 ISAR成像方法发展与研究现状 |
| 1.2.2 ISAR图像降噪方法发展与研究现状 |
| 1.2.3 贝叶斯非参数的发展与研究现状 |
| 1.3 本文内容安排 |
| 第二章 基于贝塔过程线性回归的ISAR成像 |
| 2.1 引言 |
| 2.2 基于单维贝塔过程线性回归的ISAR成像 |
| 2.2.1 成像建模 |
| 2.2.2 模型求解 |
| 2.3 基于多维贝塔过程线性回归的ISAR成像 |
| 2.3.1 MBPLR建模 |
| 2.3.2 模型求解 |
| 2.4 实验分析 |
| 2.4.1 稀疏重构性能评价指标 |
| 2.4.2 相关参数确定 |
| 2.4.3 稀疏信号重构 |
| 2.4.4 目标成像实验 |
| 2.5 本章小结 |
| 第三章 基于高斯过程回归的RID图像序列降噪 |
| 3.1 引言 |
| 3.2 高斯过程回归建模 |
| 3.3 模型求解 |
| 3.3.1 基于GPR模型的RID图像序列降噪 |
| 3.3.2 参数估计 |
| 3.3.3 算法分析 |
| 3.4 仿真实验与分析 |
| 3.4.1 降噪性能评价标准 |
| 3.4.2 点目标仿真实验 |
| 3.4.3 电磁仿真实验 |
| 3.4.4 Monte Carlo实验 |
| 3.5 本章小结 |
| 第四章 GUI界面设计 |
| 4.1 引言 |
| 4.2 界面设计概述及基础 |
| 4.3 在GUIDE中创建GUI流程 |
| 4.3.1 整体结构 |
| 4.3.2 GUI创建 |
| 4.3.3 运行效果 |
| 4.4 本章小结 |
| 第五章 结束语 |
| 5.1 本文工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）基于贝叶斯网络的电力变压器故障诊断（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及相关意义 |
| 1.2 电力变压器故障诊断方法研究现状 |
| 1.2.1 变压器故障诊断传统方法及其研究现状 |
| 1.2.2 变压器故障诊断智能方法及其研究现状 |
| 1.3 本文的主要工作 |
| 2 变压器主要故障分析及参数检测 |
| 2.1 变压器的主要故障类型 |
| 2.2 变压器主要故障参数检测 |
| 2.2.1 变压器常规电气试验 |
| 2.2.2 变压器油中溶解气体分析法 |
| 2.3 本章小结 |
| 3 基于贝叶斯网络的电力变压器故障诊断 |
| 3.1 电力变压器贝叶斯网络故障诊断模型的建立 |
| 3.1.1 贝叶斯网络 |
| 3.1.2 网络节点的确定 |
| 3.1.3 网络诊断模型的建立 |
| 3.1.4 模型性能综合分析 |
| 3.2 朴素贝叶斯网络方法的故障仿真 |
| 3.2.1 样本数据的数字变量替换 |
| 3.2.2 仿真结果综合分析 |
| 3.3 实例分析 |
| 3.4 本章小结 |
| 4 基于贝叶斯网络和粗糙集理论的电力变压器故障诊断 |
| 4.1 基于粗糙集理论的变压器故障样本处理 |
| 4.1.1 粗糙集理论 |
| 4.1.2 决策表的约简及规则提取 |
| 4.1.3 变压器故障诊断原始决策表的获取 |
| 4.1.4 变压器故障诊断约简决策表的获取 |
| 4.2 构建粗糙集理论和贝叶斯网络的故障诊断模型 |
| 4.2.1 构建故障诊断模型 |
| 4.2.2 变压器故障诊断系统的对比测试 |
| 4.2.3 实例分析 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
（9）轻度认知功能障碍工作记忆脑电网络连接缺损机制研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩略语/符号说明 |
| 一、前言 |
| 1.1 研究背景 |
| 1.1.1 轻度认知功能障碍 |
| 1.1.2 工作记忆 |
| 1.1.3 工作记忆的激活脑区 |
| 1.1.4 脑网络 |
| 1.1.5 MCI脑网络研究进展 |
| 1.2 研究目的 |
| 1.3 研究内容 |
| 二、原理与方法 |
| 2.1 受试者 |
| 2.1.1 MCI组 |
| 2.1.2 Con组 |
| 2.2 视觉工作记忆实验范式 |
| 2.3 EEG信号采集 |
| 2.4 行为学分析 |
| 2.5 EEG信号预处理 |
| 2.6 时频分析 |
| 2.7 Granger因果分析 |
| 2.7.1 Granger因果关系的概念 |
| 2.7.2 Granger因果关系检验的局限 |
| 2.7.3 Granger因果关系检验的改进 |
| 2.7.4 Granger因果关系检验在神经科学中的应用 |
| 2.7.5 定向传递函数 |
| 2.8 统计学分析 |
| 三、结果 |
| 3.1 行为学结果 |
| 3.2 时频分析结果 |
| 3.2.1 工作记忆脑电能量密度 |
| 3.2.2 工作记忆脑电能量密度的时频分布 |
| 3.2.3 工作记忆保持期脑电能量密度的空间分布 |
| 3.3 Granger因果分析结果 |
| 3.3.1 工作记忆保持期脑电DTF随频率变化曲线 |
| 3.3.2 工作记忆保持期脑电各频段DTF |
| 3.3.3 工作记忆保持期脑电gamma频段的网络连接 |
| 四、结论与讨论 |
| 4.1 结论 |
| 4.2 讨论 |
| 4.2.1 工作记忆保持期脑电与静息脑电脑网络功能连接对比 |
| 4.2.2 工作记忆脑电能量密度的特征频段 |
| 4.2.3 工作记忆脑电gamma频段的能量密度 |
| 4.2.4 工作记忆保持期脑电theta频段的网络连接 |
| 4.2.5 工作记忆各时期脑电gamma频段的网络连接 |
| 4.2.6 工作记忆的激活脑区 |
| 4.2.7 MCI工作记忆的脑网络缺损 |
| 五、总结与展望 |
| 5.1 论文主要工作的总结 |
| 5.2 论文工作的展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 综述 AD和 MCI工作记忆的脑网络研究进展 |
| 综述参考文献 |
| 致谢 |
| 个人简历 |
（10）基于关联规则贝叶斯网络的输电线路状态评估方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的意义及目的 |
| 1.2 论文研究背景及研究现状 |
| 1.2.1 研究背景 |
| 1.2.2 输电线路运行状态评估研究现状 |
| 1.3 贝叶斯网络研究现状 |
| 1.3.1 贝叶斯网络的发展与简介 |
| 1.3.2 贝叶斯网络的推理算法研究 |
| 1.3.3 贝叶斯网络的学习算法研究 |
| 1.3.4 贝叶斯网络的应用 |
| 1.4 关联规则算法的研究现状 |
| 1.5 论文的主要研究工作及内容安排 |
| 第二章 基于关联规则方法的输电线路状态评估参数体系构建及评估标准 |
| 引言 |
| 2.1 关联规则方法建模理论基础 |
| 2.2 输电线路状态评估关键参数的选取与构建 |
| 2.2.1 输电线路故障类型分析及线路评价部件选取 |
| 2.2.2 输电线路状态评估关键参数提取 |
| 2.3 输电线路评估标准 |
| 2.4 本章小结 |
| 第三章 基于贝叶斯网络的输电线路状态评估方法研究 |
| 引言 |
| 3.1 贝叶斯网络算法建模理论 |
| 3.1.1 贝叶斯算法理论基础 |
| 3.1.2 贝叶斯网络算法图论模型基础 |
| 3.2 输电线路评估等级划分 |
| 3.3 输电线路贝叶斯网络运行状态评估模型建立 |
| 3.3.1 输电线路运行状态评估贝叶斯图模型 |
| 3.3.2 输电线路运行状态评估的贝叶斯网络数学模型 |
| 3.3.3 输电线路贝叶斯网络算法学习 |
| 3.3.4 输电线路运行状态评估算法流程图 |
| 3.4 输电线路运行状态评估实例仿真分析 |
| 3.4.1 输电线路实际运行数据仿真分析 |
| 3.4.2 输电线路状态评估结果验证 |
| 3.5 本章小结 |
| 第四章 基于贝叶斯网络算法的输电线路状态评估系统设计 |
| 引言 |
| 4.1 MATALB的GUIDE界面的简介 |
| 4.2 输电线路运行状态评估系统设计方案及流程 |
| 4.3 评估系统仿真实例验证 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录 Ⅰ:输电线路基础状态参量 |
| 附录 Ⅱ:待评估输电线路基础运行数据统计表 |
| 附录 Ⅲ:攻读硕士期间发表的主要学术成果 |
四、基于Bayesian网络的缺损数据处理方法（论文参考文献）
- [1]基于深度学习的风电滚动轴承故障诊断与预测[D]. 常淼. 江南大学, 2021(01)
- [2]不稳定环境下基于深度网络的视频修复和强化学习方法研究[D]. 魏俣童. 中国科学技术大学, 2021(08)
- [3]基于生成式对抗网络的嵌体设计技术研究[D]. 袁福来. 南京航空航天大学, 2020(07)
- [4]基于数据分析的宜宾电网输电线路无人机巡检应用研究[D]. 张鹏. 电子科技大学, 2020(08)
- [5]基于真值发现的加油站车辆号牌缺损数据填充方法[J]. 彭新亮,程力,王轶,马博,赵凡,周喜. 计算机应用与软件, 2019(08)
- [6]基于贝叶斯网络的差分隐私保护数据发布[D]. 董银霜. 安徽理工大学, 2019(01)
- [7]基于贝叶斯非参数的逆合成孔径雷达高分辨成像[D]. 彭鑫. 西安电子科技大学, 2019
- [8]基于贝叶斯网络的电力变压器故障诊断[D]. 董冰. 辽宁石油化工大学, 2019(01)
- [9]轻度认知功能障碍工作记忆脑电网络连接缺损机制研究[D]. 范毅然. 天津医科大学, 2019(02)
- [10]基于关联规则贝叶斯网络的输电线路状态评估方法研究[D]. 张函. 昆明理工大学, 2019(04)