基于支持向量机的暂态稳定分类中的特征选择

特征选择是支持向量机(SVM)分类实现中非常重要的环节.针对传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.综述和提出了支持向量机暂态稳定分类的初始特征;建立了IEEE16机86节点系统的暂态稳定分类初始特征样本集;利用主成分分析和遗传算法对维数较大的初始特征进行了有效降维;并通过因子负荷,完成了暂态稳定输入特征的选择;经过支持向量机分类器测试,显示选出的特征有很好的分类效果.     

基于遗传算法和支持向量机的特征子集选择方法

在模式分类系统中,往往需要从大量的特征中选择最优的特征子集,人工选择特征的方法往往费时费力,本文采用遗传算法(GA)对支持向量机进行封装的方法选择特征子集。首先使用遗传算法随机产生若干特征子集,通过选择、交叉和变异操作产生新的特征子集,经过若干代之后,得到最优的特征子集。在遗传算法中最重要的是适应度的确定,本文用支持向量机(SVM)作为分类器,为了避免出现“过拟和”,把特征子集的5阶交叉验证分类准确率和特征数量的联合函数作为适应度函数。对UCI机器学习库中SONAR和LED数据集进行实验,结果表明本方法可以有效滤除无关特征并提高分类准确率。     

基于支持向量机增量学习的电力系统暂态稳定评估

基于传统支持向量机的暂态稳定评估模型,通常将所有的学习样本同时参与学习,如果有新样本加入,则需要对所有样本重新学习.针对传统暂态稳定评估模型不能在线更新的不足,提出了一种支持向量机增量学习的暂态稳定评估方法.该方法利用一种快速支持向量机增量学习方法,构造递归解法将新数据增加到解中,并对模型更新前的训练数据保持Karus...     

基于主成分分析和支持向量机的静态电压稳定评估

高维电力系统中,运用常规的潮流方程计算电压稳定的速度较慢,难以满足实时评估的要求,提出了一种基于主成分分析和支持向量机的静态电压稳定评估方法,先利用主成分分析进行特征提取和降维,再利用支持向量机建立回归模型,该方法充分发挥了支持向量机在解决高维、非线性和有限样本问题等方面的优势,保证了电压稳定评估模型的泛化能力,具有较快的评估速度和较高的预测精度,W SCC 9节点测试系统中的应用结果证明了该方法的有效性。     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性。     

电力系统暂态稳定评估的特征选取

在对IEEE16机系统采用基于支持向量机的暂态稳定分类的特征选择的基础上,建立了IEEE50机453节点的暂态稳定分类初始特征样本集;同样采用基于主成分和遗传算法的方法对IEEE测试系统进行特征选择,通过主成分分析得到32个综合特征;运用遗传算法选取类内类间距离最大的一组综合特征进行分析,选出特征子集;用SVM对所选的特征进行测试,达到较高的预测率;同时,分析所选出的特征子集,比较16机系统与50机系统的异同,使模型更具有泛化性.     

自发脑电信号的支持向量机分类算法

针对自发脑电信号的特征分类,将基于支持向量机(SVM)的算法应用于脑机接口(BCI)系统,提出一种基于自适应遗传算法优化SVM模型参数的脑电信号分类算法,获得最佳的分类性能。以基于小波包分解得到的系数均值和子空间能量作为特征向量,利用BCI 2005data setⅢb标准数据分析了该方法的实验背景和理论依据,并与基于经验SVM的分类结果、基于普通遗传算法优化SVM参数的分类结果、基于概率神经网络的分类结果以及竞赛的最好精度进行了比较,表明所提出方法运用在实际系统中的有效性和优越性。     

基于正则化投影孪生支持向量机的电力系统暂态稳定评估

提出一种基于正则化投影孪生支持向量机的暂态稳定评估方法。将基于传统支持向量机进行暂态稳定评估的高维二项式优化问题转化为两个低维二项式优化问题,并在投影孪生支持向量机的目标函数中引入正则项来改善评估稳定性。首先,构建由系统特征和投影能量函数特征组成的初始样本集,通过特征选择对初始特征进行压缩,获取可有效表征暂态稳定性的最优特征集。然后,基于正则化投影孪生支持向量机的思想将暂态稳定状态分成稳定类与不稳定类,寻找各稳定状态的最佳投影坐标轴,使稳定类投影到稳定类投影超平面上后尽可能地聚成簇,而不稳定类投影到稳定类投影超平面上后尽可能远离稳定类聚成的簇,降低暂态稳定评估的计算时间,同时借助遗传算法进行参数选择以提高准确率。最后,通过IEEE-145和南方电网算例的仿真分析,验证了所提方法的有效性和准确性。     

基于支持向量机和决策函数的暂态稳定评估方法

暂态稳定评估是保证电力系统安全稳定运行的关键点,为解决应用机器学习进行暂态稳定评估保守性不足的问题,提出了一种基于支持向量机和决策函数的暂态稳定评估方法。该方法以故障前潮流量为初始特征集,结合暂态安全稳定量化评估和统计理论方法,提取输入特征;通过支持向量机训练暂态稳定评估模型,得出评估模型的决策函数,并依据支持向量的决策值确定门槛值,保证评估结果保守性。新英格兰10机39节点测试系统和实际系统算例验证了所提方法的可靠性和实用性。     

基于支持向量机的燃煤碳元素分析

研究了燃煤碳元素分析.选取了燃煤的4种工业分析作为模型的输入,建立了基于支持向量机的燃煤碳元素分析模型.通过对模型进行检验,结果表明该方法行之有效,且易于工程实现.     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法。选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择。通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性。     

改进主成分分析法用于暂态稳定评估的输入特征选择

在不损失原始数据主要信息的前提下，利用主成分分析进行输入特征变量的选择。考虑到主成分分析在数据标准化和处理非线性问题方面存在的局限性，采用一种改进的主成分分析法，进行特征选择。同时，针对电力系统暂态稳定分析中影响稳定性的关键因素在向量空间具有一定相似性的特点，采用动态聚类的方法将数据集分成若干并行子集，进一步压缩数据输入空间的大小，提高运算速度和效果。最后，利用关联分类法对数据进行分类和预测。通过对3机9节点系统的仿真试算，验证了该方法的有效性。     

基于二进粒子群优化算法的暂态稳定评估特征选择

采用二进粒子群优化算法进行暂态稳定评估的特征选择,粒子群中每个粒子代表一个待选择的特征集,结合最小二乘支持向量机使用该特征集对所对应的样本集进行分类,分类正确率作为该粒子的适应度。首先通过二进粒子群优化实现特征的选择,然后将优选后的特征作为暂态稳定评估的输入,利用最小二乘支持向量机构造分类器进行暂态稳定评估。通过对EPRI-36节点系统的仿真计算,结果表明该方法能够在显著减少输入特征维数的同时大大提高最终判别结果的正确率。     

基于蚁群优化算法的电力系统暂态稳定评估特征选择

暂态稳定评估的特征选择是一个典型的组合优化问题。针对该问题解的离散性特点,提出基于蚁群优化算法的特征选择方法。该方法以最小二乘支持向量机作为暂态稳定评估分类器,以分类错误率最低和特征选择比率最小为优化目标,通过二进制编码形式的蚁群优化算法实现特征的选择。这样能选择出计及分类器特性的最优特征子集,减少了特征维数,提高了分类正确率。通过对综合程序EPRI-36节点系统的仿真计算,验证了该方法的有效性。     

基于遗传优化的多级SVM语音情感识别

针对语音情感识别中特征维数高、识别率较低的问题,提出利用遗传算法进行特征降维,并构建二叉树结构的多级支持向量机(SVM)分类器进行语音多类情感识别的方案.首先对语音信号预处理后提取常用的情感特征,由于涉及特征较多,存在数据的冗余,采用遗传算法对提取的特征进行优化筛选;然后使用选出的最具情感区分能力的特征训练二叉树结构的多级SVM分类模型.在包含7种情感的柏林情感语料库上进行实验,结果证明提出的语音情感识别方案的有效性.     

基于KPCA-SVM的表面肌电信号疲劳分类研究

为了提高手臂疲劳模型识别的准确率,本研究在常用时域、频域特征的基础上,引入了时频域、非线性和参数模型特征,提取3通道的表面肌电信号,构成特征集合.特征降维一般分为特征提取以及特征选择,分别采用特征提取中的主成分分析(PCA),核主成分分析(KPCA)方法以及特征选择中的互信息(MI)度量方法进行特征降维,采用支持向量机...     

基于KPCA和SVM的直升机旋翼桨叶损伤源定位

直升机旋翼桨叶在飞行过程中极易发生疲劳损伤,为了解决桨叶损伤源定位问题,构建了桨叶损伤监测及定位系统。通过核主成分分析(KPCA)对损伤源的声发射信号进行特征提取,结合支持向量机(SVM)及其回归功能对旋翼桨叶模型损伤源进行定位。使用特征提取后的参数区域损伤定位精度达到100%,回归分析平均误差率4.06%,均优于使用原始数据进行定位,因此该方法能够有效实现直升机旋翼桨叶损伤源定位,并且减少了输入数据的维数,降低了计算量。     

基于NGA的特征选择和SVM参数优化

支持向量机（SVM）的分类性能受样本的特征以及SVM本身参数的选择影响较大。在以前的工作中,很多学者对特征子集的选择以及SVM参数的优化分别进行了研究,实际上,特征子集和参数相互影响,针对这种情况,本文提出了一种同时进行特征子集选择以及参数优化的方法,该方法基于小生境遗传算法（NGA）,对参数和特征采用不同的编码方法,对得到的每个参数以及对应的特征子集,使用SVM对其进行性能评价。使用UCI数据集进行了相关的实验,实验结果证明了该方法可以减少特征的数量以及提高分类正确率。     

遗传算法在暂态稳定评估输入特征选择中的应用

针对主成分分析中利用传统方法进行特征选择的缺陷,提出了基于遗传算法的特征选择方法.选择反映电力系统运行状态的特征变量,建立暂态稳定评估模型;为了提高数据处理的效率,首先对原始数据进行了动态聚类分析;对数据进行主成分分析后,以类内类间距离判据作为适应度函数,采用二进制编码形式的遗传算法进行特征选择.通过对3机9节点和10机39节点新英格兰系统的计算,验证了所选方法的有效性.