分类器融合中模糊积分理论研究进展

将模糊积分理论与多分类器融合方法中其他两种研究热点方法进行了比较.介绍模糊积分的基本模型及通用求解过程.讨论目前分类器融合领域模糊积分理论的几个研究方向的发展现状和面临的问题,分析模糊积分理论基本模型和几种扩展模型的求解算法.提出了分类器融合领域模糊积分理论未来理论和应用研究中的开放课题.     

基于选择性集成策略的嵌入式网络流特征选择

机器学习在网络流量分类中存在特征选择度量指标单一、类别不平衡和概念漂移等问题,使得模型复杂度提高、泛化能力下降.该文提出基于选择性集成策略的嵌入式特征选择方法,根据选择性集成策略选取部分特征选择器集成,再改进序列前向搜索和封装器组合方法二次搜索最优特征子集.实验结果表明该算法在保证分类效果的同时有效降低了特征子集复杂度,从而达到了分类效果、效率和稳定性的最优平衡.     

基于旋转平衡森林的不平衡数据分类算法

针对不平衡数据中的分类问题,提出一种基于旋转森林的改进模型——旋转平衡森林(rotation balanced forest,ROBF).以集成思想为核心,从数据层和算法层相结合的角度出发,针对Safe-Level-Smote方法中存在的模糊类边界问题采取两点改进:安全等级再划分机制;引入约束度不同的控制因子,经改进后...     

计及漏判/误判代价的两阶段电力系统暂态稳定预测方法

基于人工智能的电力系统暂态稳定预测方法会出现漏判（将失稳样本错误分类成稳定样本）和误判（将稳定样本错误分类成失稳样本）的现象,使得该方法不易在工程实践中应用。为此,文中基于集成卷积神经网络（CNN）提出了一种计及漏判/误判代价的两阶段电力系统暂态稳定预测方法。在第1阶段,利用滑动时间窗输入特征训练得到不同响应时间层次的集成CNN模型,建立各层输出结果的可信度指标,将可信度阈值优化选择问题转化成多目标优化问题,最大限度地减少甚至消除漏判,并尽可能早地输出可信度高的样本;在第2阶段,对分层预测阶段预测的失稳样本采用多判据融合的紧急控制启动策略,尽可能减少误判所带来的实际损失。仿真算例分析表明,文中所提方法可以以最小代价最大限度地减少甚至消除漏判,以提高人工智能暂态稳定预测结果在工程上应用的可能性。     

集成学习在脑机接口分类算法中的研究

提出了一种基于独立分量分析的支持向量机集成学习算法,用于脑机接口中P300字符识别.首先由P300信号分解出独立分量,基于Bagging算法送入支持向量机基分类器进行集成学习,通过平均的方法获得对应类别概率进行分类决策.数据来源于P300字符拼写实验,不同导联和不同序列的分类结果表明,该分类算法学习效率和分类精度高,全...     

一种电能质量多扰动分类中特征组合优化方法

针对电能质量扰动分类中冗余特征量造成分类器训练困难、分类准确率下降的问题,提出一种基于改进遗传算法的特征组合优化方法。该方法对信号进行小波变换,提取各层的改进小波能量熵作为原始特征,并构造一种基于欧氏距离的适应度函数,采用改进的自适应遗传算法对原始特征进行筛选和优化组合,形成用于电能质量扰动分类的最优特征组合。分别采用二分类-支持向量机法(Binary-SVM)、多标签径向基神经网络(ML-RBF)和多标签K近邻法(ML-KNN)对不同噪声情况下的电能质量单一扰动和混合扰动进行分类,仿真结果验证了所提特征组合优化方法能有效提高分类器的训练速度和分类准确率。     

基于改进CatBoost的电力系统暂态稳定评估方法

在实际电网的运行过程中,通过同步相量测量单元实时采集到的电网动态参数通常含有部分噪声,且有时会因通信故障造成数值的随机缺失,对基于人工智能的电力系统暂态稳定评估模型造成很大影响.为此,提出一种基于改进CatBoost的暂态稳定评估方法.通过分箱算法对输入特征数据进行离散化处理,提高模型对噪声的鲁棒性;采用加权的焦点损失函数代替交叉熵损失函数,提升模型的可信度并减少模型对失稳样本的漏判;将量测数据部分缺失的样本划分到单独的节点中继续建模,从而充分挖掘不完整样本中的暂态信息.在新英格兰10机39节点上的实验结果表明,所提方法的准确率和查全率均优于其他几类机器学习算法,而且所提方法对噪声和数值缺失表现出良好的鲁棒性且具有较快的训练速度和预测速度.     

空间负荷预测中确定元胞负荷合理最大值方法

针对实测的元胞负荷数据中存在随机波动现象而使空间负荷预测精度降低的问题,提出一种利用互补集合经验模态分解(CEEMD)和游程检验技术确定元胞负荷合理最大值的方法。该方法通过互补集合经验模态分解技术将各Ⅰ类元胞负荷序列分别进行分解,每个Ⅰ类元胞得到一组本征模态函数,采用游程检验技术对每个本征模态函数进行随机性检验,建立识别其中高频分量的判据,剔除刻画元胞负荷随机波动性的高频本征模态函数,对余下表征元胞负荷规律性与趋势性的本征模态函数进行重构得到主体分量,将其中最大值作为Ⅰ类元胞负荷合理最大值,最后利用该合理最大值进行基于Ⅰ类元胞和Ⅱ类元胞的空间负荷预测。工程实例表明了该方法正确有效。     

基于FCM的暂态电能质量扰动识别

提出一种应用模糊C均值聚类(FCM)对暂态电能质量扰动进行识别的新方法。该识别方法分层实现,第一层判断信号中是否包含暂态振荡扰动,第二层判断是否包含暂态脉冲扰动,第三层判断是否包含幅值扰动及综合判断出各种复合扰动的类型。通过与集合经验模态分解(EEMD)和奇异值分解方法的结合,分层提取出有效特征量,并将其作为FCM的输入,得到聚类中心和隶属度矩阵。最后通过计算待测样本与已知样本的聚类中心的欧氏距离实现扰动类型识别。通过仿真分析,该分层识别方法准确可行。     

基于负相关神经网络集成的货币识别算法研究

为了提高货币识别率,提出了用负相关学习算法来提高神经网络集成的泛化能力.将紫外光照射下的纸币图片作为实验样本,将负相关学习法的集成神经网络用于分类器设计,选择6种面额纸币在不同噪声下的样本共300个作为训练样本,对单个神经网络分类器和神经网络集成分类器进行了MATLAB仿真,并对仿真所得的可靠性、识别率进行对比.实验结果表明,基于负相关学习的神经网络集成对货币识别分类有很好的效果,与应用单个神经网络的系统和独立训练个体网络的集成神经网络相比,它的识别率平均可以高出4％.