文献

J-GLOBAL ID：201802249504565624   整理番号：18A0196802

DGA診断のための適切な機械学習分類器の選択【Powered by NICT】

Selecting appropriate machine learning classifiers for DGA diagnosis

著者 (8件)： Aizpurua Jose Ignacio (Institute for Energy and Environment, University of Strathclyde, Glasgow, UK) ,  Catterson Victoria M. (Institute for Energy and Environment, University of Strathclyde, Glasgow, UK) ,  Stewart Brian G. (Institute for Energy and Environment, University of Strathclyde, Glasgow, UK) ,  McArthur Stephen D. J. (Institute for Energy and Environment, University of Strathclyde, Glasgow, UK) ,  Lambert Brandon (Bruce Power, Kincardine, Canada) ,  Ampofo Bismark (Bruce Power, Kincardine, Canada) ,  Pereira Gavin (Kinectrics Inc., Toronto, Canada) ,  Cross James G. (Kinectrics Inc., Toronto, Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CEIDP  ページ： 153-156  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 溶存ガス分析(DGA)は変圧器の健康を評価するための一般的な方法である。特異的データセットにおいて高精度を与えることが報告されている機械学習分類器の数が,人工ニューラルネットワークやサポートベクトルマシンなど。これらの方法は本断層のタイプについて同じ結論に達したとき,これは診断の正確さにおける増加した信頼性を与えることができる。しかし,現場でその使用の実用性を試験するために矛盾するデータの存在下でのこれらの分類器の強度を解析し定量化することが重要である。本論文では,矛盾するデータの存在下で異なる機械学習ベースDGA診断モデルの妥当性を検討した。提案した方法は,機械学習モデルの選択を技術者に役立つであろう矛盾するデータの存在下での有用性と精度を最大化した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *機械学習 ,  技術者 ,  サポートベクトルマシン ,  ニューラルネットワーク ,  変圧器 ,  信頼性
準シソーラス用語： 診断モデル ,  実用性 ,  高精度 ,  健康 ,  溶存ガス分析 , 【Automatic Indexing@JST】

分類 (2件)： 変圧器  (NB08020Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 診断 ,  機械学習 ,  分類器