面向多源特征的模式识别算法及应用研究
发布时间：2021-04-05 15:00
当针对电力系统中相关设备或者波形等开展研究时,单一信息源的特征不足以对其进行全面刻画能力。近年来,随着大数据、物联网和云计算时代的到来,电网数据量不断庞大,特征种类日益增多,为设备状态诊断等各种模式的辨识提供了多源化的信息支撑。但这些特征来源增多、分布差异大、信息之间关系复杂,仅凭传统的单核分类器难以保证分类效果。因此,有必要研究如何有效分析和处理高维特征及保持分类器的辨识稳定性。为提高面向多源特征模式识别算法的精度和性能,本文分别在特征提取、模式分类、决策环节引入融合算法,进而构建面向多源特征模式识别算法的框架,以满足不同场景的应用需求。为实现提取环节的融合,考虑到成对特征联合作用对特征与类别相关度的影响以及度量尺度规范化问题,本文对最大相关最小冗余准则进行改进,提出了基于联合交互-冗余的最大相关最小冗余准则的特征选择算法。在完成模式分类环节融合时,考虑到不同来源特征获取途径不一,选用支持向量机作为分类器来克服某些来源样本量较少的问题。同时由于不同核函数或同一核函数不同参数的学习性能差异较大,因此通过组合多个核函数把多源特征映射至不同高维空间,并且由于此时多源特征样本空间不固定,提出...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
图２．１互信息示意图??Ｆｉ．２．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｍｕｔｕａｌ?ｉｎｆｏｒｍａｔｉｏｎ??
山东大学硕士学位论文??的拉格朗日方程为??ｍａｘ?－１ＳＺ＞＋Ｙａａｉ??＾?ｉ?Ｊ?ｉ??ｓｔ－?Ｚａ．＾＝０?（２－１６）??ｉ??０?＜ａ；?＜?Ｃ?Ｖ／??其中，＜＞为内积运算。上式求解得到《〖，进而得到ｖ／、Ｖ。ＳＶＭ的决策函数为??ｓｇｎ｛＾＾，？＊?（２－１７）??ｉ??当样本非线性可分时，ＳＶＭ的基本思想是将非线性可分的样本映射到高维的特??征空间，并通过在该高维特征空间寻找一个具有最大间隔的最优超平面，从而实现样??本的分类。因此，将ＳＶＭ问题转化为凸二次规划问题??ｍｉｎ备卜丨丨２＋ＣＢ，?Ｖ／??２?ｉ??ｓ．ｔ．?ｙｉ（Ｍ＞０（ｘ，）?＋?ｂ）＞＼－＾?（２－１８）??其中，少为非线性映射函数。式（２－１８）的拉格朗日方程为??￣?ｙＳ?Ｚ?ａｉａｊｙｉｙｊＫ＋Ｚ??ｓｔ－?（２＿１９）??０＜ａ?＜Ｃ?Ｖ／＇??其中，ｉ：（ｘ，ａ．）为核函数，ＳＶＭ最显著特点是用核函数将样本空间映射处理到高维空??间，使样本在高维空间中线性可分，如图２．４所示。上式求解得到‘进而得到＞／、??Ｖ。ＳＶＭ的决策函数为??ｓｇｎ｛Ｋ?尺?〇，，又）＋办＊｝?（２－２０）??ｉ??０?＾?翻?２??类别１〇?〇?〇?＞□?类别１?□??〇?〇?）?〇?〇〇??图２．４核函数映射处理图??Ｆｉｇ．２．４?Ｍａｐ?ｏｆ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ｍａｐｐｉｎｇ??１９??
山东大学硕士学位论文??（二）核函数??ＳＶＭ辨识结果的好坏与所选核函数有直接的联系。在应用ＳＶＭ进行分类时，??必须为其选择适当的核函数类型及核参数，才能保证分类的效果。常用的核函数包括??多项式核函数、高斯径向基核函数、指数幂核函数等，表达式如式（２－２１）－（２－２３）所示。??（１）多项式核函数??Ｋ（ｘｉ，ｘ］）?＝?｛ｘｉ＊ｘ］＋＼ｔ，ｄｕ?＝?＼，２．．．?（２－２１）??（２）高斯径向基核函数??｜｜?ｘ?－ｘ．?｜｜２??ｋ（＾ｘｊ）＝?＼?２?（２－２２）??２（７??（３）指数幂核函数??Ｋ｛ｘ：，Ｘｊ）Ｊ１＾Ａ?（２－２３）??ＺＣ７??图２．５为上述各核函数及其混合函数的曲线图，图２．５（ｄ）中多项式核函数和高斯??径向基核函数的权重分别用多和高表示。??４?—?ｄｕ＝＼?＇?７?－?￣＇??Ｉ３．；ｌ?／／?：??？］?－０．５?样本！?０５?１?＿１?－０．３?样本＆?０５?１??（ａ）多项式核函数?（ｂ）高斯径向基核函数??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??样本点?样本点??（ｃ）指数幂核函数?（ｄ）多项式＋高斯核函数??图２．５核函数及其混合函数的曲线图??Ｆｉｇ．２．５?Ｃｕｒ＼?ｅ?ｏｆ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｉｔｓ?ｍｉｘｅｄ?ｆｕｎｃｔｉｏｎ??２０??
【参考文献】：
期刊论文
[1]煤矿救灾机器人灾变环境侦测技术探讨[J]. 郑学召,闫兴,崔嘉明,郭军. 工矿自动化. 2019(10)
[2]基于多源信息融合的同步发电机转子绕组匝间短路故障识别[J]. 李永刚,王罗,李俊卿,马明晗. 电力系统自动化. 2019(16)
[3]基于多信息融合的航空线路串联故障电弧识别方法[J]. 崔芮华,王洋,王传宇,李英男,李锋锋. 电工技术学报. 2019(S1)
[4]多核相关向量机优化模型的锂电池剩余寿命预测方法[J]. 刘月峰,赵光权,彭喜元. 电子学报. 2019(06)
[5]改进的并行模糊核聚类算法在电力负荷预测的应用[J]. 谢伟,赵琦,郭乃网,苏运,田英杰. 电测与仪表. 2019(11)
[6]基于RFID传感标签及QPSO-RVM的变压器绕组故障在线诊断技术[J]. 邓芳明,温开云,何怡刚,李兵,汪涛,吴翔. 中国电机工程学报. 2018(24)
[7]基于邻域粗糙集与多核支持向量机的变压器多级故障诊断[J]. 李春茂,周妺末,刘亚婕,高波,吴广宁. 高电压技术. 2018(11)
[8]基于PDC法的在运XLPE电缆绝缘状态评估[J]. 赵艾萱,刘健,徐龙,张志华,邓军波,张冠军. 高电压技术. 2019(05)
[9]电力变压器绕组变形状态信息融合评估方法[J]. 曹辰,林莘,李辉,徐建源. 高电压技术. 2018(04)
[10]考虑特征组合效应的电网关键稳定特征筛选方法研究[J]. 徐遐龄,胡伟,王春明,李勇,张鹏,郑乐,吴双. 中国电机工程学报. 2018(08)
博士论文
[1]军事信息系统中信息融合关键技术研究[D]. 吴荣春.电子科技大学 2016
[2]基于多源信息融合的水电机组故障诊断与轴心轨迹识别技术研究[D]. 杨志荣.华中科技大学 2011
[3]多源图像处理关键技术研究[D]. 蒋少华.华中科技大学 2011
[4]唇读发声器中视觉信息的检测与处理[D]. 王蒙军.天津大学 2007
硕士论文
[1]基于多源信息融合的设备关键部件状态评估研究[D]. 袁野.重庆大学 2018
[2]基于核函数理论的改进FDA间歇过程故障诊断研究[D]. 付元建.哈尔滨理工大学 2016
[3]多核学习方法及其应用与研究[D]. 张仁峰.江南大学 2015
[4]高速飞行器多源信息融合[D]. 张健.哈尔滨工业大学 2014
[5]基于KNN的文本分类特征选择与分类算法的研究与改进[D]. 黄娟娟.厦门大学 2014
[6]基于多核学习支持向量机的货币识别[D]. 梁俊.中南大学 2014
[7]组合电器局部放电统计特征优化与类型识别研究[D]. 林俊亦.重庆大学 2013
[8]电力系统电能质量扰动识别方法研究[D]. 陈永延.浙江大学 2010
[9]基于小波变换与傅立叶分析的谐波检测方法研究[D]. 陈晓光.哈尔滨工业大学 2009
[10]多源图像融合的目标识别研究[D]. 王连亮.四川大学 2005
本文编号：3119851
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
图２．１互信息示意图??Ｆｉ．２．１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｍｕｔｕａｌ?ｉｎｆｏｒｍａｔｉｏｎ??
山东大学硕士学位论文??的拉格朗日方程为??ｍａｘ?－１ＳＺ＞＋Ｙａａｉ??＾?ｉ?Ｊ?ｉ??ｓｔ－?Ｚａ．＾＝０?（２－１６）??ｉ??０?＜ａ；?＜?Ｃ?Ｖ／??其中，＜＞为内积运算。上式求解得到《〖，进而得到ｖ／、Ｖ。ＳＶＭ的决策函数为??ｓｇｎ｛＾＾，？＊?（２－１７）??ｉ??当样本非线性可分时，ＳＶＭ的基本思想是将非线性可分的样本映射到高维的特??征空间，并通过在该高维特征空间寻找一个具有最大间隔的最优超平面，从而实现样??本的分类。因此，将ＳＶＭ问题转化为凸二次规划问题??ｍｉｎ备卜丨丨２＋ＣＢ，?Ｖ／??２?ｉ??ｓ．ｔ．?ｙｉ（Ｍ＞０（ｘ，）?＋?ｂ）＞＼－＾?（２－１８）??其中，少为非线性映射函数。式（２－１８）的拉格朗日方程为??￣?ｙＳ?Ｚ?ａｉａｊｙｉｙｊＫ＋Ｚ??ｓｔ－?（２＿１９）??０＜ａ?＜Ｃ?Ｖ／＇??其中，ｉ：（ｘ，ａ．）为核函数，ＳＶＭ最显著特点是用核函数将样本空间映射处理到高维空??间，使样本在高维空间中线性可分，如图２．４所示。上式求解得到‘进而得到＞／、??Ｖ。ＳＶＭ的决策函数为??ｓｇｎ｛Ｋ?尺?〇，，又）＋办＊｝?（２－２０）??ｉ??０?＾?翻?２??类别１〇?〇?〇?＞□?类别１?□??〇?〇?）?〇?〇〇??图２．４核函数映射处理图??Ｆｉｇ．２．４?Ｍａｐ?ｏｆ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ｍａｐｐｉｎｇ??１９??
山东大学硕士学位论文??（二）核函数??ＳＶＭ辨识结果的好坏与所选核函数有直接的联系。在应用ＳＶＭ进行分类时，??必须为其选择适当的核函数类型及核参数，才能保证分类的效果。常用的核函数包括??多项式核函数、高斯径向基核函数、指数幂核函数等，表达式如式（２－２１）－（２－２３）所示。??（１）多项式核函数??Ｋ（ｘｉ，ｘ］）?＝?｛ｘｉ＊ｘ］＋＼ｔ，ｄｕ?＝?＼，２．．．?（２－２１）??（２）高斯径向基核函数??｜｜?ｘ?－ｘ．?｜｜２??ｋ（＾ｘｊ）＝?＼?２?（２－２２）??２（７??（３）指数幂核函数??Ｋ｛ｘ：，Ｘｊ）Ｊ１＾Ａ?（２－２３）??ＺＣ７??图２．５为上述各核函数及其混合函数的曲线图，图２．５（ｄ）中多项式核函数和高斯??径向基核函数的权重分别用多和高表示。??４?—?ｄｕ＝＼?＇?７?－?￣＇??Ｉ３．；ｌ?／／?：??？］?－０．５?样本！?０５?１?＿１?－０．３?样本＆?０５?１??（ａ）多项式核函数?（ｂ）高斯径向基核函数??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??样本点?样本点??（ｃ）指数幂核函数?（ｄ）多项式＋高斯核函数??图２．５核函数及其混合函数的曲线图??Ｆｉｇ．２．５?Ｃｕｒ＼?ｅ?ｏｆ?ｋｅｒｎｅｌ?ｆｕｎｃｔｉｏｎ?ａｎｄ?ｉｔｓ?ｍｉｘｅｄ?ｆｕｎｃｔｉｏｎ??２０??
【参考文献】：
期刊论文
[1]煤矿救灾机器人灾变环境侦测技术探讨[J]. 郑学召,闫兴,崔嘉明,郭军. 工矿自动化. 2019(10)
[2]基于多源信息融合的同步发电机转子绕组匝间短路故障识别[J]. 李永刚,王罗,李俊卿,马明晗. 电力系统自动化. 2019(16)
[3]基于多信息融合的航空线路串联故障电弧识别方法[J]. 崔芮华,王洋,王传宇,李英男,李锋锋. 电工技术学报. 2019(S1)
[4]多核相关向量机优化模型的锂电池剩余寿命预测方法[J]. 刘月峰,赵光权,彭喜元. 电子学报. 2019(06)
[5]改进的并行模糊核聚类算法在电力负荷预测的应用[J]. 谢伟,赵琦,郭乃网,苏运,田英杰. 电测与仪表. 2019(11)
[6]基于RFID传感标签及QPSO-RVM的变压器绕组故障在线诊断技术[J]. 邓芳明,温开云,何怡刚,李兵,汪涛,吴翔. 中国电机工程学报. 2018(24)
[7]基于邻域粗糙集与多核支持向量机的变压器多级故障诊断[J]. 李春茂,周妺末,刘亚婕,高波,吴广宁. 高电压技术. 2018(11)
[8]基于PDC法的在运XLPE电缆绝缘状态评估[J]. 赵艾萱,刘健,徐龙,张志华,邓军波,张冠军. 高电压技术. 2019(05)
[9]电力变压器绕组变形状态信息融合评估方法[J]. 曹辰,林莘,李辉,徐建源. 高电压技术. 2018(04)
[10]考虑特征组合效应的电网关键稳定特征筛选方法研究[J]. 徐遐龄,胡伟,王春明,李勇,张鹏,郑乐,吴双. 中国电机工程学报. 2018(08)
博士论文
[1]军事信息系统中信息融合关键技术研究[D]. 吴荣春.电子科技大学 2016
[2]基于多源信息融合的水电机组故障诊断与轴心轨迹识别技术研究[D]. 杨志荣.华中科技大学 2011
[3]多源图像处理关键技术研究[D]. 蒋少华.华中科技大学 2011
[4]唇读发声器中视觉信息的检测与处理[D]. 王蒙军.天津大学 2007
硕士论文
[1]基于多源信息融合的设备关键部件状态评估研究[D]. 袁野.重庆大学 2018
[2]基于核函数理论的改进FDA间歇过程故障诊断研究[D]. 付元建.哈尔滨理工大学 2016
[3]多核学习方法及其应用与研究[D]. 张仁峰.江南大学 2015
[4]高速飞行器多源信息融合[D]. 张健.哈尔滨工业大学 2014
[5]基于KNN的文本分类特征选择与分类算法的研究与改进[D]. 黄娟娟.厦门大学 2014
[6]基于多核学习支持向量机的货币识别[D]. 梁俊.中南大学 2014
[7]组合电器局部放电统计特征优化与类型识别研究[D]. 林俊亦.重庆大学 2013
[8]电力系统电能质量扰动识别方法研究[D]. 陈永延.浙江大学 2010
[9]基于小波变换与傅立叶分析的谐波检测方法研究[D]. 陈晓光.哈尔滨工业大学 2009
[10]多源图像融合的目标识别研究[D]. 王连亮.四川大学 2005
本文编号：3119851
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3119851.html
