不对称样本下基于支持向量机的变压器故障诊断

为解决基于支持向量机(SVM)的变压器故障诊断中因样本不对称导致诊断准确率降低的问题,提出了一种改进的向上采样策略和SVM结合的方法。首先通过K-近邻算法提取少数类样本数据中的边界数据集并生成新的少数类随机样本,在此基础上向少数类样本中添加人工生成的随机新样本使得两类样本数量达到基本均衡。对比均衡样本和不对称样本下的SVM分类模型的性能,结果表明:该方法能够有效降低SVM分类平面的偏移程度,进一步提高了SVM变压器故障诊断的准确率。

基于间隔区域样本数量的加权支持向量机

分析了数量不对称的样本在允许训练误差的支持向量机训练时产生的最优分界面偏移的问题,认为支持向量机的最优分界面位置取决于间隔(margin)区域中正反例样本数量的比例,而不是传统加权支持向量机所采用的全部正反例样本的数量比。对间隔区域中正反例数量不对称的两类样本采用同样的折衷因子将导致最优分界面向间隔区域中样本较少的类别方向偏移。提出了将折中因子与间隔区域中样本的数量比例联系起来的加权支持向量机,并提出了一种在核函数特征空间估计间隔区域样本数量的方法。试验证明该方法可以提高加权支持向量机的分类性能。