基于PSO-SVM的小电流接地故障选线方法

针对小电流接地系统,现有故障选线方法的精度不高,为此提出基于粒子群优化向量机（PSO‐SVM ）的选线方案。在搭建小电流接地系统仿真模型的基础上,采用M atlab进行PSO优化算法仿真实验,根据不同的接地情况获得故障时各线路零序电流,利用小波包变换（WPT ）与傅里叶变换（FFT ）从零序电流中提取暂态分量、谐波分量、五次谐波分量作为PSO‐SVM输入特征进行训练,用训练好的SVM 对测试样本行检测,得到选线结果。仿真结果表明,该方法使学习训练速度加快、自适应能力增强、选线精度提高进,且其不受接地电阻、故障距离等因素影响。     

基于限定样本序贯极端学习机的模拟电路在线故障诊断

为解决故障特征样本分批加入时分类模型的在线更新问题,提出一种限定样本序贯极端学习机(LSSELM)。 LSSELM通过逐步添加新样本,同时剔除与其相似度最高的同类别旧样本来提高模型的动态适应能力,并通过Sherman-Morrison矩阵求逆引理来降低计算复杂度,实现输出权值的递推求解,完成模型的在线训练。将LSSELM用于模拟电路在线故障诊断,结果表明相比在线序贯极端学习机(OS-ELM)和LSSELM的诊断准确率更高,具有更好的泛化性能。     

基于不等长序列相似度挖掘的数据关联算法

针对不等长序列数据的关联问题,提出基于滑动窗口的最优匹配增权法不等长序列相似度度量算法。以较短序列作为滑动窗口遍历较长序列得到一组滑动相似度,利用这组相似度形成最优权重,加权得到不等长序列的相似度,并根据相似度大小对序列数据进行关联判决,以解决截断法相似度度量仅能反映截断序列局部相似度的问题。仿真实验验证了所提出算法对不等长序列数据关联的有效性,并对序列长度和量测误差等因素对相似度度量和关联效果的影响进行了讨论。     

累积量测序列的区间云变换及识别

目标多属性序列类数据不能直接与数据库中的区间类数据融合识别, 对此, 提出一种基于云变换的序列-区间异类数据识别算法. 对目标多属性序列数据进行频数计算形成频率分布函数, 并进行虚警检测, 实施云变换形成云簇, 提取云簇特征, 再根据3 En 准则形成云滴区间, 实现了序列型数据的区间化表示. 进一步, 利用一种区间多属性识别判定准则进行识别判定, 得到识别结果, 解决了序列-区间异类数据的识别问题. 仿真实验结果验证了该算法对序列-区间异类数据识别的有效性.

     

规范化相似度的符号序列层次聚类

符号序列由有限个符号按一定顺序排列而成,广泛存在于数据挖掘的许多应用领域,如基因序列、蛋白质序列和语音序列等.作为序列挖掘的一种主要方法,序列聚类分析在识别序列数据内在结构等方面具有重要的应用价值;同时,由于符号序列间相似性度量较为困难,序列聚类也是当前的一项开放性难题.首先提出一种新的符号序列相似度度量,引入长度规范因子解决现有度量对序列长度敏感的问题,从而提高了符号序列相似度度量的有效性.在此基础上,提出一种新的聚类方法,根据样本相似度构建无回路连通图,通过图划分进行符号序列的层次聚类.在多个实际数据集上的实验结果表明,采用规范化度量的新方法可以有效提高符号序列的聚类精度.     

改进的序列模式挖掘在医院转诊中的应用

为了研究患者在不同医院间的转诊行为模式, 可以使用序列模式挖掘算法. 类Apriori算法是序列模式挖掘中的常用算法, 但该算法存在一些不足之处, 如产生候选序列的数目较多、需要频繁扫描数据库. 针对类Apriori算法存在的不足, 本文提出了相应的改进措施, 采用新的剪枝策略并减少不必要的数据库扫描操作. 实验证明, 改进后的算法能更高效地挖掘频繁转诊序列.     

基于WSN定位算法的井下单相接地故障研究

由于井下配电网的布线很复杂,故障检测传感器节点的分布却很分散,在故障信号传输过程中如果受到井下环境的干扰,容易造成消弧线圈的故障特征电流很小。传统的故障检测模型针对小电流故障特征很难进行高效准确采集,无法提供准确的故障检测,提出了一种Zigbee改进Music故障定位算法,采用Zigbee网络技术对故障区域进行定位,建立了多通道数据传输机制。改进Music算法通过对阵列输出扩展虚拟矩阵,解决了传统算法只能估计出少于阵元数信号方向的问题,将共轭信息引入到了Music算法中,利用二阶共轭增强法大幅度降低了算法的运算量。仿真结果表明,在相同锚节点密度的情况下,定位精度和定位覆盖率都得到了显著提高。通过单相接地故障电路实验对线路的零序电流进行了实际测量分析,验证了上述方案的可行性,可以有效地解决由于单相接地引起的井下故障问题。     

梯图的点可区别全染色（n≡5（mod8））

一个图的全染色被称为点可区别的即对任意两个不同点的相关联元素及其本身所构成的色集合不同。其中所用的最少颜色数称为G的点可区别全色数。本文定义了一种排序方法：三角排序。利用该排序的结果证明了当n≡5（mod8）和C4n-1/2＋2〈m≤C4n/2＋2时,梯图Lm≌Pm×P2的点可区别全色数为n。     

梯图的点可区别全染色（n≡4（mod8））

一个图的全染色被称为点可区别的即对任意两个不同点的相关联元素及其本身所构成的色集合不同,其中所用的最少颜色数称为G的点可区别全色数。本文定义了一种排序方法：三角排序。利用该排序的结果证明了当n≡4（mod8）和C4n-1/2＋2〈m≤C4n/2＋2时,梯图Lm■Pm×P2的点可区别全色数为n。