基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。

基于F-score和二进制灰狼优化的肿瘤基因选择方法

针对肿瘤基因数据维度高、噪声多、冗余性高的现状,结合Spearman相关系数改进F-score算法,在此基础上优化二进制灰狼算法,提出了一种基于改进F-score和二进制灰狼算法的肿瘤基因选择算法.首先,考虑特征之间的相关性,计算每个特征的F-score值和特征之间的Spearman相关系数的绝对值;然后,计算权重系数得出各个特征的权重值,依据重要性进行排序,选出初选特征子集;最后,通过收敛因子的衰减曲线和初始化方法优化二进制灰狼算法,调整全局搜索和局部搜索所占比例,增强全局搜索能力并提高局部搜索速度,有效节省时间开销,提升特征选择的分类性能和效率,得到最优特征子集.在9个肿瘤基因数据集上测试所提算法,在分类准确率和筛选特征数目两个指标上进行仿真实验,并与4种其他算法进行对比,实验结果证明所提算法表现良好,可有效降低基因数据维度,并具有较好的分类精度.

Errors-in-variables模型的参数估计

介绍了Errors_in_variables模型 ,利用Fisher得分算法 ,给出了在自变量的随机影响因素和因变量的随机影响因素相互独立和无重复测量数据情况下Errors_in_variables模型参数估计的迭代公式 .

非线性再生散度模型两种估计方法的比较

介绍以RDM为随机误差的广义线性模型-非线性再生散度模型的定义,分别考虑非线性再生散度模型的极大似然估计和Bayes估计,以模拟研究和实例分析对以上估计方法加以比较说明.

基于EM算法的改进MLM模型及参数估计

传统的分层模型假设组与组之间独立,没有考虑组之间的相关性。而以地理单元分组的数据往往具有空间依赖性,个体不仅受本地区的影响,也可能受相邻地区的影响。此时,传统分层模型层-2残差分布的假设不再成立。为了处理空间分层数据,将空间统计和空间计量经济模型的思想引入到分层模型中,既纳入分层的思想,又顾及空间相关性,提出了空间分层线性模型,并给出了其固定效应、方差协方差成分和空间回归参数的最大似然估计,在运用EM算法时,结合运用了Fisher得分算法。

非线性再生散度随机效应模型似然函数的Laplace逼近

首先提出用Lap lace逼近方法对非线性再生散度随机效应模型的边缘对数似然函数进行近似,然后基于近似的边缘对数似然函数利用F isher'sscoring迭代算法得到了模型参数的极大似然估计.模拟研究和实例分析表明了该算法的可行性.

基于费舍尔评分与离散粒子群优化的棉花异性纤维在线检测

为改进基于机器视觉的棉花异性纤维在线检测效率,提出一种基于费舍尔评分与离散粒子群优化的棉花异性纤维特征选择方法。该方法将费舍尔评分滤波式特征选择方法及基于离散粒子群优化的捆绑式特征选择方法组合在一起,首先利用费舍尔评分方法过滤噪声特征,然后利用离散粒子群算法从已去噪的特征集中选取最优特征子集。提出的方法应用于棉花异性纤维数据集,并与费舍尔评分方法、离散粒子群方法、遗传算法、蚁群算法进行对比,试验结果表明该方法可以更有效地选择出有较少特征数目、较高分类精度的特征子集。从75个棉花异性纤维原始特征中选出18个特征组成的特征集,其分类准确度达到93.5%,检测时间仅为0.8231 s,有效地改进了棉花异性纤维在线检测的精度与效率,从而减少异性纤维对棉纺织品的危害,提高棉纺企业经济效益。

PEIV模型WTLS估计的Fisher-Score算法

考虑系数矩阵含非随机元素和不同位置含相同随机元素的结构化特征,PEIV (partial errors-in-variables)模型较一般的EIV模型更为严格。现有PEIV模型加权整体最小二乘(weighted total least squares,WTLS)估计算法需多次迭代,影响计算效率。通过利用观测值误差和系数矩阵误差的统计性质构造非线性目标函数,并以此推导了新的PEIV模型WTLS估计的计算公式,同时设计了相应的Fisher-Score算法。算例分析结果表明,相比较而言,Fisher-Score算法迭代次数较少,计算效率得到大大提升。

多域特征提取和极限学习机的滚动轴承智能诊断

针对现实复杂工况下的振动以及噪声问题,提出了基于多域特征提取、Fisher得分和极限学习机(Extreme Learn⁃ing Machine,ELM)的滚动轴承诊断方法。首先,通过多域特征提取方法构造多域特征集,其次利用Fisher得分算法按照多域特征集特征值的重要性进行排序,选择具有代表性的敏感故障特征,最后,将重新构造的多域特征集输入极限学习机中实现智能诊断。利用美国西储大学轴承试验数据进行分析,为贴近现实工况,在原始振动信号上加50dB的白噪声,结果表明,提出的方法能够有效识别滚动轴承的故障大小和类别,并具有良好的抗噪性。

基于FS和GA的特征选择方法及其刀具状态监测

在现代精密数控机床加工过程中,从原始多源信号中提取并选择出对刀具状态变化敏感的特征子集是实现刀具状态监测的重要环节,对保证加工质量、提高加工效率具有重要意义。针对Fisher score(FS)特征选择方法在多分类问题中无法区分出样本分布不均匀以及选择的特征子集存在信息冗余等不足,提出了一种改进的FS结合遗传算法(GA)的两步特征选择方法,根据特征判别性得分以概率的形式对种群进行初始化,同时考虑特征维数和信息冗余,保证了特征子集的综合性能。最后,利用高速铣削加工实验中收集的多传感器数据,从不同方面的定量分析与比较验证了提出的方法的有效性。

基于特征优化与SVPSO的工控入侵检测

在工业控制系统(工控)与互联网技术深度融合的背景下,有效检测系统是否受到入侵威胁成为保障工控安全的关键.根据工控网络数据高维性和非线性的特点,应用Fisher分值和核主成分分析法对网络数据进行预处理,针对支持向量机参数寻优过程中标准粒子群优化算法易陷入局部最优的问题,提出基于自适应变异的粒子群优化算法SVPSO,进而构建系统入侵检测模型.在标准数据集上的仿真结果表明,与BP神经网络、K最近邻、随机森林和朴素贝叶斯算法相比,基于SVPSO算法构建的检测模型性能较优,检测精度达到98.75%,而误报率仅为1.22%.

一种改进过采样算法在类别不平衡信用评分中的应用

针对信贷行业信用评分业务中存在的样本类别不平衡问题,首先在信用评分各影响因素Fisher比率值分析的基础上确定主要评判指标;而后以基于支持度的过采样算法(SDSMOTE)为样例合成算法,支持向量机(SVM)为基预测器,Boosting算法为框架,构建基于Fisher-SDSMOTE-ESBoostSVM的类别不平衡信用评分预测模型;在基分类器训练结束后引入淘汰策略,删除未被正确分类的合成样例,重新生成正类样例并修正样例权重;最后以UCI数据库中德国信用数据集为实验样本,F-measure值和G-mean值为评价指标,对比分析Fisher-SDSMOTE-ESBoostSVM与其他集成学习算法的预测结果。实验结果表明,Fisher-SDSMOTE-ESBoostSVM算法应用到信贷行业客户信用评分预测中具有可行性和适应性,且预测准确率较高,具有一定的实际应用价值。

基于Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型

非侵入式电力负荷监测与辨识是实现泛在电力物联网客户侧智能感知的关键技术。针对现有辨识模型存在的特征冗余度高、辨识准确率差、计算效率低等问题,提出了一种基于Fisher主元分析(Fisher principal component analysis,FPCA)和核极限学习机(kernel extreme learning machine,KELM)的非侵入式电力负荷辨识模型。首先,选取电流、功率、谐波含有率等稳态特征作为原始输入变量,运用Fisher得分和主成分分析相融合的Fisher主元分析法剔除可分性较差的无效特征,同时降低有效特征之间的相关性;然后,引入径向基核函数搭建网络结构,并采用遗传算法(genetic algorithm,GA)对惩罚系数等模型参数进行寻优,从而建立核极限学习机分类模型进行负荷识别;最后,通过公开的TIPDM负荷数据集进行算例分析。仿真结果表明,所提模型相比于传统负荷辨识模型具有更好的辨识准确率和计算效率,运用该模型可对常见家用负荷进行有效识别。

基于图谱指标的滚动轴承故障特征提取方法

为了更准确地提取滚动轴承振动信号的非线性故障特征,将图信号处理(GSP)引入机械故障诊断领域,提出了基于图谱指标的滚动轴承故障特征提取方法。该方法将滚动轴承的振动信号转化为路图信号后,提取多个图谱指标;用Fisher得分(FS)算法对图谱指标的敏感度进行排序,并选取若干个最敏感的图谱指标作为滚动轴承的故障特征参数;用K-均值聚类算法识别滚动轴承的不同故障。应用实例表明:当分别选取1~5个最优的图谱指标、时域指标和频域指标对不同轴承故障进行识别时,图谱指标均没有出现错误,而时域指标和频域指标都出现了不同数量的错误,因此,图谱指标对轴承故障的区分能力优于时域指标和频域指标。