| 摘 要： | 针对支持向量机(support vector machine, SVM)的惩罚因子、核函数参数选择困难和天鹰优化(aquila optimizer, AO)算法在寻优时容易陷入局部最优解的问题,利用改进的天鹰优化(improved aquila optimizer, IAO)算法对SVM的惩罚因子和核函数参数进行寻优,构建IAO-SVM分类器,利用变分模态分解(variational mode decomposition, VMD)提取电压暂降源信号三相电压的特征向量,并进行归一化处理之后输入到构造好的IAO-SVM分类器中对样本进行训练与识别,并与K近邻、极限学习机、SVM和AO-SVM这4种分类器进行对比。仿真结果表明,在对8种电压暂降源信号分别加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪声情况下,IAO-SVM分类器识别的准确率分别为99.5%、94%、99.25%、100%、99.25%、98.5%和97.25%,其识别准确率最高,验证了在对信号加入不同的高斯白噪声时,IAO-SVM分类器均具有较高的识别准确率和抗噪声能力,有助...
|
