基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强。提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型。详细阐述并验证了该方法解决信息不完备问题的优越性。该模型还可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数。实验表明提出的选择性贝叶斯分类器适于变压器故障诊断。

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强。提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法。并建立了变压器选择性贝叶斯故障诊断模型。详细阐述并验证了该方法解决信息不完备问题的优越性。该模型还可以通过不断积累完善训练样本,自动修正网络结构参数和概率分布参数。实验表明提出的选择性贝叶斯分类器适于变压器故障诊断。

类相关性影响可变选择性贝叶斯分类器

在最大相关最小冗余(mRMR)属性选择方法的基础上,通过设置一个调节因子来改变类别相关性在属性选择中的影响程度,解决mRMR方法易于引入冗余属性的问题,提出一种类相关性影响可变选择性贝叶斯分类器(CCRI SBC).为克服人为指定属性个数易于导致的分类结果随意性,采用贝叶斯信息准则来自动确定最优属性个数.为使CCRI SBC能够处理含有连续变量的数据集,提出等频类别依赖最大化离散化方法,具有分类准确率高和离散化时间短的优点.UCI数据集的实验结果表明,本文方法能够有效处理离散和连续高维数据的分类问题.