- 详情
- 2020-12-27
- 简介
- 3.3MB
- 页数 6P
- 阅读 102
- 下载 35
为避免传统模式识别中神经网络收敛速度慢、过学习等不足或因支持向量机(Support Vector Machine,SVM)参数选择不当而导致识别准确度低,在引入M-ary分类理论将泛化及学习能力更强的SVM算法扩展为多类分类器的同时,利用改进遗传算法(Genetic Algorithm,GA)优化各子分类器的惩罚因子、松弛变量及核函数参数,从而构造出最优参数SVM分类模型。开展交联电缆局部放电模拟试验并提取了表征灰度图象内在分形特征的4个分形维数作为局部放电模式识别的放电指纹,分别采用优化SVM、未优化SVM及径向基函数(Radial Basis Function,RBF)神经网络作为模式分类器完成缺陷分类,并通过对比三者识别效果验证了优化模型的正确性。结果表明,以优化SVM作为分类器时各缺陷识别率均大于95%,且无论是否优化参数,SVM总体识别能力要优于RBF神经网络。
对不起,您暂无在线预览权限,如需浏览请
立即登录热门商品
tju2w***
擅长:
市政 园林 给排水 暖通
- 4.4
服务
- 3
商品
- 195
人气
相关推荐
基于参数优化SVM算法的交联电缆局部放电模式识别 3.3MB
交联电缆局部放电检测研究 233KB
电力电缆局部放电检测与模式识别的研究 14.1MB
非相位电气特征参量的局部放电模式识别 85KB
影响交联电缆局部放电水平的因素 356KB
电力电缆局部放电模式识别技术分析 186KB
环网柜电缆头局部放电检测与模式识别 233KB
基于ARM的高压交联电缆局部放电信号的采集 182KB
交联电缆典型绝缘损伤针刺模型的局部放电试验研究 903KB