文献

J-GLOBAL ID：201702290179182549   整理番号：17A0095163

粒子群と限界学習機械に基づく電力品質信号の特徴選択と識別【JST・京大機械翻訳】

Feature selection and identification of power quality signals based on particle swarm optimization and extreme learning machine

著者 (6件)： Huang Nantian (College of Electrical Engineering,Northeast Dianli University) ,  Lu Guobo (College of Electrical Engineering,Northeast Dianli University) ,  Wang Yuqiang (Maintenance Branch,State Grid Jibei Electric Power Co. Ltd.) ,  Zhao Zhenfeng (Maintenance Branch,State Grid Jibei Electric Power Co. Ltd.) ,  Li Xu (Wuwei Power Supply Company,Gansu Power Company) ,  Zhang Weihui (College of Electrical Engineering,Northeast Dianli University)
資料名： Diangong Dianneng Xinjishu  (Diangong Dianneng Xinjishu)
巻： 35  号： 7  ページ： 55-61  発行年： 2016年 
JST資料番号： C2503A  ISSN： 1003-3076  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： 電力品質擾乱信号を効率的に分類することは,電力品質問題を処理するための鍵である。特徴計算量を低減し,分類器の分類効率を改善するために,粒子群と限界学習機械に基づく電力品質特性の選択と識別法を提案した。まず第一に,電力品質擾乱信号をS変換によって再構成して,変換して,特性を抽出した。次に,限界学習機械の分類精度と選択特徴の個数を適応度関数として,粒子群最適化アルゴリズムを用いて,高次元特徴空間における最適化を行い,関連性と冗長性を除去し,擾乱認識の有効性を保持し,最適分類部分集合を決定した。最終的に,最適特徴サブセットを使用して,学習機械分類装置を訓練し,最適化分類装置を用いて電力品質信号を分類する。シミュレーション結果は,新しい方法が,次元が25のオリジナルの特徴集合を8次元に縮減することができ,異なる雑音環境の下での総合的分類の正確さが99.33%であることを示した。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 再構成 ,  *電力品質 ,  高次元 ,  部分集合 ,  *特徴選択 ,  *電力 ,  分類装置 ,  最適化 ,  *学習機械 ,  計算量 ,  冗長性
準シソーラス用語： 特徴空間 ,  粒子群最適化 ,  分類精度 ,  電力品質擾乱 , 【Automatic Indexing@JST】

著者キーワード (5件)： power quality ,  S-transform ,  particle swarm optimization ,  extreme learning machine ,  feature selection

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 粒子群 ,  限界 ,  学習機械 ,  電力品質 ,  特徴選択 ,  識別