欢迎来到天天文库
浏览记录
ID:5389764
大小:468.02 KB
页数:7页
时间:2017-12-08
《基于混合蜂群算法特征参数同步优化支持向量机水电机组轴心轨迹识别方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、第41卷第21期电力系统保护与控制Vol-41NO.212013年11月1曰PowerSystemProtectionandControlNOV.1.2013基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究肖剑,周建中,李超顺,王常青,张孝远,肖汉(华中科技大学水电与数字化工程学院,湖北武汉430074)摘要:在水电机组轴心轨迹识别研究中,为解决传统支持向量机方法中特征参数无法自适应选择而导致分类性能不高、计算时间过长等问题,提出混合人工蜜蜂群算法特征参数同步优化支持向量机(HABC—SVM)的轴心轨迹识别方法。
2、4CA-T-蜜蜂群算法引入到支持向量机识别优化模型的求解中,对人工蜜蜂群从搜索策略、蜜源编码、更新策略等方面进行了改进。通过仿真试验获取水电机组的四类典型轴心轨迹样本,对轴心轨迹中提取的19种特征参数和支持向量机参数进行了同步优化,将改进HABC算法与PS0一SVM算法和GA—SVM算法进行了对比。研究结果表明HABC—SVM具有良好的自适应性和分类精度,可以同步获取支持向量机参数和特征子集的最优解,增强分类器的性能,提高轴心轨迹模式识别的准确率,对水电机组的故障诊断工程应用有一定的指导意义。关键词:混合蜂群算法;轴,22轨迹识别;支持
3、向量机;特征选择;参数优化IdentificationofshaftorbitofhydropowerunitbysimultaneousoptimizationoffeatureparametersandsupportvectormachinebasedonhybridartificialbeecolonyXIAOJian,ZHOUJian-zhong,LIChao—shun,WANGChang—qing,ZHANGXiao-yuan,XIAOHan(SchoolofHydropowerandInformationEngineerin
4、g,HuazhongUniversityofScienceandTechnology,Wuhan430074,China)Abstract:IntheresearchofidentificationofshaRorbitofhydropowergeneratingunit,theselectionoffeatureparameterintraditionalSVMsystemisnotadaptive,whichresultsinlowerclassificationperformanceandlongcomputationtime.A
5、imingattheproblemsabove,thispaperproposesanovelmethodtoidentifytheshaftorbitbasedonHABC—SVM.ArtificialbeecolonyisintroducedtothesolutionofSVMidentificationoptimalmodel,andthesearchstrategy,foodsourceandupdateequationofartificialbeeswarmareimproved.Throughthesimulationexp
6、eriment,fourtypicalsamplesofshaftorbitofhydraulicturbinesareobtained,the19kindsoffeatureparametersextractedfromshaftorbitandparametersofSVMareoptimizedsynchronously,andtheimprovedHABCalgorithmiscomparedwithPSO-SVMalgorithmandGA-SVMalgorithm.TheresultsshowthatHABC—SVMhasg
7、oodadaptabilityandclassificationaccuracy,CanacquiretheoptimalsolutionsofSVMparametersandfeaturesubsetsynchronously,enhancetheperformanceofclassifier,andimprovetheprecisionofidentificationofshaftorbit,whichhassomeguidancesignificancetofaultdiagnosisofhydropowergeneratingu
8、nit.ThisworkissupposedbyNationalNaturalScienceFoundationofChina(No.51079057,No.51039005andNo.51109088).
此文档下载收益归作者所有