10.16208/j.issn1000-7024.2015.05.041
粒子群优化核极限学习机的变压器故障诊断
核极限学习机(kernel-based extreme learning machine,KELM)在分类性能方面优于支持向量机(SVM),但仍存在参数敏感性的缺陷。针对这一缺陷,提出一种结合K 折交叉验证(k-fold cross validation,K-CV)与粒子群优化(particle swarm optimization,PSO)的KELM分类器参数优化方法,将CV训练所得多个模型的平均准确率作为PSO的适应度评价函数,为KELM的参数优化提供评价标准。将该方法应用于变压器故障诊断中,充分利用数量有限的样本数据,提高KELM的泛化性能。实验结果表明,相比结合网格搜索(grid)的KELM、结合CV和Grid的KELM以及结合PSO的KELM,结合PSO的CV参数优化方法具有更好的性能。
核极限学习机、粒子群优化、交叉验证、变压器故障诊断、参数优化
TP18(自动化基础理论)
河北省自然科学基金项目E2009001392
2015-05-26(万方平台首次上网日期,不代表论文的发表时间)
共5页
1327-1331