《表1 ELM模式识别结果Tab.1 Pattern recognition result of ELM》
本文提出了一种基于图像处理技术及数据深度稀疏降噪的电力设备局部放电图谱智能识别方法,经图像处理和深度稀疏降噪,利用ELM作为分类器,配置酷睿i7处理器3.7GHz,内存8GB实验平台,采用Matlab代码。分类目标6类,分别为:“悬浮电极缺陷”、“尖端电晕缺陷”、“气隙放电缺陷”、“沿面放电缺陷”,共计9 000组数据。随机选取6000组作为训练学习样本训练ELM、SVM和BPNN,余下的3 000组数据作为模式识别测试样本分别测试上述算法的识别结果,ELM算法设置隐含层数L为25(等于特征向量的维数),绘制出识别结果混淆矩阵。识别结果如表1、2、3所示。缺陷类别数据中对角线单元格内的数据表示预测类别与实际类别相符的样本数;对角线两侧单元格内的数据表示错误识别的样本数;最后一行为精确率(衡量预测系统的查准率,指正确预测的样本数/预测的样本数);最后一列为召回率(衡量预测系统的查全率,指正确预测的样本数/实际的样本数);右下角召回率和精确率交汇处的单元格为总的识别正确率。
图表编号 | XD0023128000 严禁用于非法目的 |
---|---|
绘制时间 | 2018.11.21 |
作者 | 朱旭亮、刘创华、何金、宋晓博、陈荣、邢向上 |
绘制单位 | 国网天津市电力公司电力科学研究院、国网天津市电力公司、国网天津市电力公司电力科学研究院、国网天津市电力公司电力科学研究院、国网天津市电力公司电力科学研究院、国网天津市电力公司电力科学研究院 |
更多格式 | 高清、无水印(增值服务) |
查看“表1 ELM模式识别结果Tab.1 Pattern recognition result of ELM”的人还看了
- 表2 ELM和RELM网络对古树屋3#点位移的预测结果 (含粗差时) Tab.2 Results of ELM and RELM neural network for point 3#of Gushuwu landside