电力系统保护与控制
電力繫統保護與控製
전력계통보호여공제
POWER SYSTM PROTECTION AND CONTROL
2010年
3期
15-19
,共5页
电能质量%支持向量机%粗糙集%缩减训练集%小波变换
電能質量%支持嚮量機%粗糙集%縮減訓練集%小波變換
전능질량%지지향량궤%조조집%축감훈련집%소파변환
提出一种改进的支持向量机模型,对电能质量扰动进行分类.支持向量机(SVM)在对大规模样本集的训练和分类时,需要占用大量内存,时耗过高,运算速度缓慢.针对这种情况提出一种改进的SVM模型:将原始训练样本集应用粗糙集理论(RS)去除冗余信息,然后在SVM中引入概率分布函数,用一个小规模的样本集训练得到一个初始的分类器,用这个初始分类器对大规模训练集进行修剪,修剪后得到一个规模很小的约减集,再用这个约减集进行训练得到最终的分类器.实验表明:这种改进的SVM模型有效降低了训练样本集的规模,提高了分类能力.
提齣一種改進的支持嚮量機模型,對電能質量擾動進行分類.支持嚮量機(SVM)在對大規模樣本集的訓練和分類時,需要佔用大量內存,時耗過高,運算速度緩慢.針對這種情況提齣一種改進的SVM模型:將原始訓練樣本集應用粗糙集理論(RS)去除冗餘信息,然後在SVM中引入概率分佈函數,用一箇小規模的樣本集訓練得到一箇初始的分類器,用這箇初始分類器對大規模訓練集進行脩剪,脩剪後得到一箇規模很小的約減集,再用這箇約減集進行訓練得到最終的分類器.實驗錶明:這種改進的SVM模型有效降低瞭訓練樣本集的規模,提高瞭分類能力.
제출일충개진적지지향량궤모형,대전능질량우동진행분류.지지향량궤(SVM)재대대규모양본집적훈련화분류시,수요점용대량내존,시모과고,운산속도완만.침대저충정황제출일충개진적SVM모형:장원시훈련양본집응용조조집이론(RS)거제용여신식,연후재SVM중인입개솔분포함수,용일개소규모적양본집훈련득도일개초시적분류기,용저개초시분류기대대규모훈련집진행수전,수전후득도일개규모흔소적약감집,재용저개약감집진행훈련득도최종적분류기.실험표명:저충개진적SVM모형유효강저료훈련양본집적규모,제고료분류능력.
