CAJ | 학술논문

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性
지지향량궤(support vector machine,SVM)대우핵함수급모형삼수십분민감,다핵학습가강저모형적삼수민감성.제출료기우이치입자군우화(binary particle swarm optimization , BPSO)적다핵학습 SVM 분류방법(BPSO-MKSVC)진행변압기고장진단.다핵학습지지향량궤(multi-kernel support vector classifier,MKSVC)채용유다개기핵선성조합적다핵진행학습,기중매일개기핵완성종특정양본공간제취고장특정,통과다면고장특정적선성조합,장학습분류문제전화위상응적철규화문제진행질대구해.채용BPSO 우화산법대 MKSVC 중적기핵수급모형삼수진행우화,실현료삼수적자주선택.여상용진단산법상비, BPSO-MKSVC 구유경고적진단정도;여 PSO 우화적 SVM방법상비,기구유경저적삼수민감성화경호적로봉성