《表2 负荷类型及标签：基于SOPC的实验室负荷智能监测装置》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于SOPC的实验室负荷智能监测装置》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

负荷识别算法采用了基于机器学习的监督学习模式下BP神经网络算法进行设计，使用Matlab的神经网络工具箱进行算法模型的构建和验证[11]。在监督学习模式下，对负荷进行标签设定，选取的5种负荷及其标签见表2。采用了独热码的方式对负荷进行标记，设置标签。对5种负荷及其组合进行了约定:当系统中有某一种负荷在工作时，标签对应的位置的值设定为“1”，否则为“0”。当有5种负荷同时在工作时，对应的标签为“[1 1 1 1 1]”，如当白炽灯、信号源同时工作时，对应的标签为“[0 0 0 1 1]”，以此类推对31种组合进行标签设计。