當針對電力系統(tǒng)中相關設備或者波形等開展研究時,單一信息源的特征不足以對其進行全面刻畫能力。近年來,隨著大數(shù)據(jù)、物聯(lián)網和云計算時代的到來,電網數(shù)據(jù)量不斷龐大,特征種類日益增多,為設備狀態(tài)診斷等各種模式的辨識提供了多源化的信息支撐。但這些特征來源增多、分布差異大、信息之間關系復雜,僅憑傳統(tǒng)的單核分類器難以保證分類效果。因此,有必要研究如何有效分析和處理高維特征及保持分類器的辨識穩(wěn)定性。為提高面向多源特征模式識別算法的精度和性能,本文分別在特征提取、模式分類、決策環(huán)節(jié)引入融合算法,進而構建面向多源特征模式識別算法的框架,以滿足不同場景的應用需求。為實現(xiàn)提取環(huán)節(jié)的融合,考慮到成對特征聯(lián)合作用對特征與類別相關度的影響以及度量尺度規(guī)范化問題,本文對最大相關最小冗余準則進行改進,提出了基于聯(lián)合交互-冗余的最大相關最小冗余準則的特征選擇算法。在完成模式分類環(huán)節(jié)融合時,考慮到不同來源特征獲取途徑不一,選用支持向量機作為分類器來克服某些來源樣本量較少的問題。同時由于不同核函數(shù)或同一核函數(shù)不同參數(shù)的學習性能差異較大,因此通過組合多個核函數(shù)把多源特征映射至不同高維空間,并且由于此時多源特征樣本空間不固定,提出... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：102 頁

【學位級別】：碩士

【部分圖文】：

圖２．１互信息示意圖??Ｆｉ．２．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｍｕｔｕａｌ?ｉｎｆｏｒｍａｔｉｏｎ??

山東大學碩士學位論文??的拉格朗日方程為??ｍａｘ?－１ＳＺ＞＋Ｙａａｉ??＾?ｉ?Ｊ?ｉ??ｓｔ－?Ｚａ．＾＝０?（２－１６）??ｉ??０?＜ａ；?＜?Ｃ?Ｖ／??其中，＜＞為內積運算。上式求解得到《〖，進而得到ｖ／、Ｖ。ＳＶＭ的決策函數(shù)為??ｓｇｎ｛＾＾，？＊?（２－１７）??ｉ??當樣本非線性可分時，ＳＶＭ的基本思想是將非線性可分的樣本映射到高維的特??征空間，并通過在該高維特征空間尋找一個具有最大間隔的最優(yōu)超平面，從而實現(xiàn)樣??本的分類。因此，將ＳＶＭ問題轉化為凸二次規(guī)劃問題??ｍｉｎ備卜丨丨２＋ＣＢ，?Ｖ／??２?ｉ??ｓ．ｔ．?ｙｉ（Ｍ＞０（ｘ，）?＋?ｂ）＞＼－＾?（２－１８）??其中，少為非線性映射函數(shù)。式（２－１８）的拉格朗日方程為??￣?ｙＳ?Ｚ?ａｉａｊｙｉｙｊＫ＋Ｚ??ｓｔ－?（２＿１９）??０＜ａ?＜Ｃ?Ｖ／＇??其中，ｉ：（ｘ，ａ．）為核函數(shù)，ＳＶＭ最顯著特點是用核函數(shù)將樣本空間映射處理到高維空??間，使樣本在高維空間中線性可分，如圖２．４所示。上式求解得到‘進而得到＞／、??Ｖ。ＳＶＭ的決策函數(shù)為??ｓｇｎ｛Ｋ?尺?〇，，又）＋辦＊｝?（２－２０）??ｉ??０?＾?翻?２??類別１〇?〇?〇?＞□?類別１?□??〇?〇?）?〇?〇〇??圖２．４核函數(shù)映射處理圖??Ｆｉｇ．２．４?Ｍａｐ?ｏｆ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ｍａｐｐｉｎｇ??１９??

山東大學碩士學位論文??（二）核函數(shù)??ＳＶＭ辨識結果的好壞與所選核函數(shù)有直接的聯(lián)系。在應用ＳＶＭ進行分類時，??必須為其選擇適當?shù)暮撕瘮?shù)類型及核參數(shù)，才能保證分類的效果。常用的核函數(shù)包括??多項式核函數(shù)、高斯徑向基核函數(shù)、指數(shù)冪核函數(shù)等，表達式如式（２－２１）－（２－２３）所示。??（１）多項式核函數(shù)??Ｋ（ｘｉ，ｘ］）?＝?｛ｘｉ＊ｘ］＋＼ｔ，ｄｕ?＝?＼，２．．．?（２－２１）??（２）高斯徑向基核函數(shù)??｜｜?ｘ?－ｘ．?｜｜２??ｋ（＾ｘｊ）＝?＼?２?（２－２２）??２（７??（３）指數(shù)冪核函數(shù)??Ｋ｛ｘ：，Ｘｊ）Ｊ１＾Ａ?（２－２３）??ＺＣ７??圖２．５為上述各核函數(shù)及其混合函數(shù)的曲線圖，圖２．５（ｄ）中多項式核函數(shù)和高斯??徑向基核函數(shù)的權重分別用多和高表示。??４?—?ｄｕ＝＼?＇?７?－?￣＇??Ｉ３．；ｌ?／／?：??？］?－０．５?樣本！?０５?１?＿１?－０．３?樣本＆?０５?１??（ａ）多項式核函數(shù)?（ｂ）高斯徑向基核函數(shù)??Ｈ＂＂＂￥?４｜?——多＝０．１，高＝０．９￣＇?－??＾０８．?ａｌ°Ａ?／?＼＼?？?——多＝０．３，高＝０．７?／??；ｌ??－１?－０．５?０?０．５?１?－１?－０．５?０?０．５?１??樣本點?樣本點??（ｃ）指數(shù)冪核函數(shù)?（ｄ）多項式＋高斯核函數(shù)??圖２．５核函數(shù)及其混合函數(shù)的曲線圖??Ｆｉｇ．２．５?Ｃｕｒ＼?ｅ?ｏｆ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｉｔｓ?ｍｉｘｅｄ?ｆｕｎｃｔｉｏｎ??２０??

【參考文獻】：
期刊論文
[1]煤礦救災機器人災變環(huán)境偵測技術探討[J]. 鄭學召,閆興,崔嘉明,郭軍.  工礦自動化. 2019(10)
[2]基于多源信息融合的同步發(fā)電機轉子繞組匝間短路故障識別[J]. 李永剛,王羅,李俊卿,馬明晗.  電力系統(tǒng)自動化. 2019(16)
[3]基于多信息融合的航空線路串聯(lián)故障電弧識別方法[J]. 崔芮華,王洋,王傳宇,李英男,李鋒鋒.  電工技術學報. 2019(S1)
[4]多核相關向量機優(yōu)化模型的鋰電池剩余壽命預測方法[J]. 劉月峰,趙光權,彭喜元.  電子學報. 2019(06)
[5]改進的并行模糊核聚類算法在電力負荷預測的應用[J]. 謝偉,趙琦,郭乃網,蘇運,田英杰.  電測與儀表. 2019(11)
[6]基于RFID傳感標簽及QPSO-RVM的變壓器繞組故障在線診斷技術[J]. 鄧芳明,溫開云,何怡剛,李兵,汪濤,吳翔.  中國電機工程學報. 2018(24)
[7]基于鄰域粗糙集與多核支持向量機的變壓器多級故障診斷[J]. 李春茂,周妺末,劉亞婕,高波,吳廣寧.  高電壓技術. 2018(11)
[8]基于PDC法的在運XLPE電纜絕緣狀態(tài)評估[J]. 趙艾萱,劉健,徐龍,張志華,鄧軍波,張冠軍.  高電壓技術. 2019(05)
[9]電力變壓器繞組變形狀態(tài)信息融合評估方法[J]. 曹辰,林莘,李輝,徐建源.  高電壓技術. 2018(04)
[10]考慮特征組合效應的電網關鍵穩(wěn)定特征篩選方法研究[J]. 徐遐齡,胡偉,王春明,李勇,張鵬,鄭樂,吳雙.  中國電機工程學報. 2018(08)

博士論文
[1]軍事信息系統(tǒng)中信息融合關鍵技術研究[D]. 吳榮春.電子科技大學 2016
[2]基于多源信息融合的水電機組故障診斷與軸心軌跡識別技術研究[D]. 楊志榮.華中科技大學 2011
[3]多源圖像處理關鍵技術研究[D]. 蔣少華.華中科技大學 2011
[4]唇讀發(fā)聲器中視覺信息的檢測與處理[D]. 王蒙軍.天津大學 2007

碩士論文
[1]基于多源信息融合的設備關鍵部件狀態(tài)評估研究[D]. 袁野.重慶大學 2018
[2]基于核函數(shù)理論的改進FDA間歇過程故障診斷研究[D]. 付元建.哈爾濱理工大學 2016
[3]多核學習方法及其應用與研究[D]. 張仁峰.江南大學 2015
[4]高速飛行器多源信息融合[D]. 張健.哈爾濱工業(yè)大學 2014
[5]基于KNN的文本分類特征選擇與分類算法的研究與改進[D]. 黃娟娟.廈門大學 2014
[6]基于多核學習支持向量機的貨幣識別[D]. 梁俊.中南大學 2014
[7]組合電器局部放電統(tǒng)計特征優(yōu)化與類型識別研究[D]. 林俊亦.重慶大學 2013
[8]電力系統(tǒng)電能質量擾動識別方法研究[D]. 陳永延.浙江大學 2010
[9]基于小波變換與傅立葉分析的諧波檢測方法研究[D]. 陳曉光.哈爾濱工業(yè)大學 2009
[10]多源圖像融合的目標識別研究[D]. 王連亮.四川大學 2005



本文編號：3119851