粒子群优化核极限学习机的变压器故障诊断

摘要：

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。

关键词：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

分类号：TP18(自动化基础理论)

资助基金：河北省自然科学基金项目E2009001392

在线出版日期：2015-05-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1327-1331