文献

J-GLOBAL ID：201702227317050872   整理番号：17A0391319

過渡安定性評価の特徴選択における限界学習法と遺伝的アルゴリズムの応用【JST・京大機械翻訳】

Application of Extreme Learning Machine and Genetic Algorithm to Feature Selection of Transient Stability Assessment

著者 (2件)： Lu Jinling (School of Electrical and Electronic Engineering,North China Electric Power University(Baoding)) ,  Yu Huimin (School of Electrical and Electronic Engineering,North China Electric Power University(Baoding))
資料名： Dianli Xitong Jiqi Zidonghua Xuebao  (Dianli Xitong Jiqi Zidonghua Xuebao)
巻： 28  号： 12  ページ： 103-108  発行年： 2016年 
JST資料番号： C2509A  ISSN： 1003-8930  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 特徴選択と空間次元低減は電力系統過渡安定性評価における重要なステップである。国内外の既存の文献で提案されている方法の効率が低く、分解部分集合の操作結果が理想的ではないなどの問題に対して、極限学習法と遺伝的アルゴリズムに基づく入力特徴選択方法を提案した。まず第一に,遺伝的アルゴリズムを用いて特徴選択を実現し,次に最適化された部分集合を入力して,限界学習機構を用いて分類装置の安定性を評価する。ここで,適応度関数は2つの要素を考慮する.第一に,選択した特徴サブセットは分類結果に対して重要な役割を果たす。第二に,入力としての特徴項をできるだけ簡素化することである.イングランド10機39バスシステムにおけるシミュレーション結果により,特徴選択の後の分類効果は,特徴選択なしのそれより優れており,そして,他の特徴選択部分集合と比較して,提案方法は,より高い分類精度を持ち,そして,その有効性および優位性を証明した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： イングランド ,  分類装置 ,  *学習 ,  シミュレーション ,  *遺伝的アルゴリズム ,  部分集合 ,  *過渡安定度 ,  簡素化 ,  次元縮小 ,  最適化 ,  *特徴選択 ,  *進化的計算 ,  改変
準シソーラス用語： 分類精度 ,  適応度関数 ,  *安定性評価 , 【Automatic Indexing@JST】

著者キーワード (5件)： power system ,  transient stability assessment ,  feature selection ,  genetic algorithm ,  extreme learning machine(ELM)

分類 (2件)： 人工知能  (JE08000Z) ,  システム最適化手法  (IA02050Z)

タイトルに関連する用語 (5件)： 安定性評価 ,  特徴選択 ,  限界 ,  遺伝的アルゴリズム ,  応用