不平衡学习在电力设备故障诊断中的应用

针对电力设备中正常类数量多、故障类数量少的特点,传统分类方法不易取得较好效果。笔者提出将不平衡学习应用与故障诊断。根据数据特征引入不平衡学习算法,介绍不平衡学习算法的常用方法,即抽样、集成学习算法和融合不平衡的集成学习算法,并通过实验得到性能最好的故障诊断模型。实验结果表明,自适应合成抽样与极限随机树的融合算法(ADASYN+ET)取得了较好效果,Avg_Acc达到82.53%,G_mean达到80.74%。因此,不平衡学习在电力设备故障诊断中有较好的应用效果。

一种加权的MCLP分类模型及其在不平衡数据集上的应用

在数据挖掘的分类问题中,经常出现数据集内类别不平衡现象。大部分分类方法对于不平衡数据集内的小类数据,分类精度并不理想。文章分析了多目标线性规划分类方法(简称MCLP)在不平衡数据集上的表现;然后从模型角度,提出了面向不平衡数据集的加权MCLP分类模型。从理论上分析了加权MCLP分类模型的有效性,并从实证角度,与其他方法进行了比较。