CN106503726A - 一种带标签信息子字典级联学习的电能质量扰动识别方法 - Google Patents
一种带标签信息子字典级联学习的电能质量扰动识别方法 Download PDFInfo
- Publication number
- CN106503726A CN106503726A CN201610833364.7A CN201610833364A CN106503726A CN 106503726 A CN106503726 A CN 106503726A CN 201610833364 A CN201610833364 A CN 201610833364A CN 106503726 A CN106503726 A CN 106503726A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- prime
- sub
- label information
- power quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种带标签信息子字典级联学习的电能质量扰动识别方法,首先对不同类别的电能质量扰动信号降维特征提取并贴入标签信息,然后对不同类别的电能质量降维数据训练成冗余子字典,对含有标签信息的子字典级联成判别性字典进行优化学习,其次输入测试样本信号在优化下的级联字典下进行稀疏,最后重构信号并由冗余误差最小确定目标的类别。本发明所述的方法加入了标签信息,会获得更加优化字典,使得对电能质量扰动信号有更加精确的识别,同时测试了电能质量复合扰动信号,为实际多分类复杂电能质量的检测和分析提供了方法,对进一步提高供电质量等具有重要的实际意义。
Description
技术领域
本发明涉及到电力系统电能质量扰动识别技术领域,具体地说,是一种带标签信息子字典级联学习的电能质量扰动识别方法。
背景技术
随着电力能源的逐步被开发和应用,电能作为一种经济高效的清洁能源成为了应用广泛且最具有潜力的能源。但是,随着电力系统的扩张,电网的迅猛发展和大量大型工业负荷的出现,用户不可避免的大量使用非线性和冲击性的设备,导致电能波形、频率幅值的不均衡变化,造成电能质量的污染。同时当电力系统的安全稳定运行受到威胁时,联在上面的负载和设备必然也会受到损害,因此对电能质量扰动的准确识别,实现电能质量问题的分析与评估以及电网安全有效的运行具有重要意义。
电能质量的扰动分为稳态和暂态的情况。随着电能质量对国民经济的影响逐步加大,实际电网发生的扰动情况都比较复杂,一般都是由各种单一扰动相互作用而引发的复合扰动。由于复合扰动会因单一扰动导致混叠和消失等情况的发生,复合扰动的特征提取和识别问题都是一大难点。多标签分类是分类问题中比较复杂的问题,它允许样本同时属于多个类别,而电能质量复合扰动问题就是属于多标签分类的范畴,但目前多标签分类问题主要是分解成多个二分类问题,但是这种分类问题缺少对标签之间相关性的考虑。
字典学习最重要的是通过学习相应的字典学习代价函数,获得能够对信号进行稀疏表示的字典,因而字典优劣会影响着识别效果的好坏。传统的字典学习仅仅是对某一类信号的学习,而本发明中先是学习每个子字典,然后将子字典级联成结构化字典,同时加入了子字典相关性的判别式,不仅提高了单一扰动识别率,也增加了对复杂信号的识别力,解决了实际电力系统中复合电能质量的扰动识别问题。
发明内容
本发明公开了一种带标签信息子字典级联学习的电能质量扰动识别方法,所述的方法加入了标签信息,会获得更加优化字典,使得对电能质量扰动信号有更加精确的识别,同时测试了电能质量复合扰动信号,为实际电能质量的检测和分析提供了方法,对进一步提高供电质量等具有重要的实际意义。
本发明采用的技术方案具体包括以下几个步骤:
步骤1、建立K类电能质量扰动信号模型,生成相应的含有复合信号的训练样本集利用主成分分析PCA方法进行降维特征提取,并贴上标签;
步骤2、采用训练字典的算法对K类降维的电能质量数据训练成冗余子字典,对含有标签信息的子字典级联成结构化字典,同时降维训练样本是具有标签性的矩阵,目标字典是具有带线性分类器参数形式;
步骤3、输入降维特征提取的测试样本信号,让其在优化下的级联字典下进行稀疏表示,获得稀疏表示矩阵形式;
步骤4、利用K类电能质量扰动信号的训练样本的子字典依次重构K个降维测试样本信号,分别计算与原降维测试样本信号的冗余误差,由冗余误差最小值确定目标归属类。
进一步,步骤1中,K类电能质量扰动信号的训练样本集为:E=[E1,E2,...,Ek]∈RM ×N,其中k表示训练样本类别数,M表示为采样点数,N为信号长度,每一类训练样本集Ei,训练的样本集类别分别代表电压正常,电压暂降,电压谐波,电压中断,电压缺口,电压振荡,电压尖峰,电压暂升以及相应组合的复合信号构成,经过PCA降维以后获得的特征矩阵为Y=[Y1,Y2,...,Yk]∈RP×N,其中P<M,对于标签信息的电能质量模型信号,可以附加标签信息矩阵H=[H1,H2,...,Hk],则H1=[0,0,...,1]T表示电压暂升。
进一步,步骤2中,采用训练字典的算法对K类降维的电能质量数据训练成冗余子字典以及结构化字典的进行优化,该过程可以分为以下几个步骤:
步骤2.1)、选取降维后的特征训练样本的部分原子作为初始化字典Di,每个特征原子作为作为初始化冗余字典的每一列,为了提高算法的运算效率,对初始化的字典作归一化处理,||Dij||2=1,i=1,2,...,k,j=1,2,...,P,Dij作为字典的列向量,于是级联之后的结构化字典:
D=[D1,D2,...,Dk],其中i,j=1,2,...,k。
步骤2.2)、对于字典的优化目标函数为:
i=1,2,...,k,j=1,2,...,P,降维样本Yi在字典D上的编码系数Ai可以表示为 表示Yi在Dj上的编码系数,因此降维训练样本可以表示为:目标函数中为重构精度要求, 保证降维子训练样本Yi可以被子字典Di很好的表示,同时子训练样本在其他子字典Dj(j≠i)上系数非常小,Dj就不能很好地重构Yi,W是线性分类器H-WA的参数矩阵,H为标签矩阵,这样编码系数A和对应的类别标签H就建立了一个线性分类器,通过学习后该分类器对编码系数具有良好的识别力,这样就能用学习得到的线性分类器来进行识别。μ,η,β,λ为正则化参数用来权衡误差和稀疏程度。
步骤2.3)、设置迭代次数s和迭代的阈值Js。
进一步,对目标函数需要进一步优化求解,设置于是对目标函数进行进一步的优化:
i=1,2,...k,j=1,2,...P,μ,λ为权衡误差和稀疏程度的标量参数。由于D′做了归一化处理,就可以直接省略。通过上述的换元,将训练样本矩阵Y转化为带标签信息的矩阵Y′,将字典D转化为带线性分类器参数的字典D′,将三个变量D、A、W转变为两个变量D′、A′,极大地提高了字典的求解效率。
进一步,还包括,对优化后的字典模型进行学习,分为两个部分:稀疏编码和字典更新:
稀疏编码:固定字典D′更新稀疏编码稀疏A′:
字典更新:更新的稀疏编码稀疏A′来更新字典D′:
字典D′的更新是通过逐个子字典依次更新的,D′=[D1′,D2′,...,Dk′]。
进一步,步骤3中,获得测试信号的稀疏表示矩阵,稀疏表示是通过子字典更新得到的稀疏表示矩阵
进一步,步骤4中,由冗余误差最小值确定目标归属类:
本发明的有益效果是:
本发明公开了一种带标签信息子字典级联学习的电能质量扰动识别方法,首先对不同类别的电能质量扰动信号(含复合信号)特征提取并贴入标签信息,然后对不同类别的电能质量数据降维提取并训练成冗余子字典,对含有标签信息的子字典级联成判别性字典进行优化学习,其次输入测试样本信号在优化下的级联字典下进行稀疏,最后重构信号并由冗余误差最小确定目标的类别。本发明所述的方法加入了标签信息,会获得更加优化字典,使得对电能质量扰动信号有更加精确的识别,同时测试了电能质量复合扰动信号,为实际电能质量的检测和分析提供了方法,对进一步提高供电质量等具有重要的实际意义。
附图说明
图1是带标签信息子字典级联学习的流程图。
图2是8类电能质量扰动信号训练样本集的MATLAB仿真图;(a)为正常电压信号;(b)为电压暂降信号;(c)为电压谐波信号;(d)为电压中断信号;(e)为电压缺口信号;(f)为电压振荡信号;(g)为电压尖峰信号;(h)为电压暂升信号。
图3为实验中采用8类训练样本的MATLAB仿真图;(a)为正常电压信号;(b)为电压振荡信号;(c)为电压暂升信号;(d)为电压谐波信号;(e)为电压缺口信号;(f)为电压谐波、暂降信号;(g)为谐波、中断、暂升信号;(h)为谐波、中断、暂升、中断信号。
具体实施方式
一种带标签信息子字典级联学习的电能质量扰动识别方法,本发明主要包括以下步骤:
步骤(1):建立K类电能质量扰动信号模型,生成相应的含有复合信号的训练样本集利用主成分分析PCA方法进行降维特征提取,并贴上标签。
K类电能质量扰动信号的训练样本集为:E=[E1,E2,...,Ek]∈RM×N,每一类训练样本集Ei,训练的样本集类别分别代表电压正常,电压暂降,电压谐波,电压中断,电压缺口,电压振荡,电压尖峰,电压暂升以及相应组合的复合信号构成,经过PCA降维以后获得的特征矩阵为Y=[Y1,Y2,...,Yk]∈RP×N,其中P<M,对于标签信息的电能质量模型信号,附加标签信息H=[H1,H2,...,Hk],则H1=[0,0,...,1]T表示电压暂升;
本发明使用的电能质量扰动信号主要有:电压正常,电压振荡,电压暂升,电压谐波,电压缺口,电压谐波和暂降,电压谐波、暂升和中断,电压谐波、暂升、中断和振荡,共计8中类型。利用MATLAB软件仿真产生8类电能质量扰动信号样本E=[E1,E2,...,E8],贴入标签信息:
电压正常:H1=[1,0,0,0,0,0,0,0]T,电压振荡:H2=[0,0,0,0,0,1,0,0]T,
电压暂升:H3=[0,0,0,0,0,0,0,1]T,电压谐波:H4=[0,0,1,0,0,0,0,0]T,
电压缺口:H5=[0,0,0,0,1,0,0,0]T,电压谐波和暂降:H6=[0,1,1,0,0,0,0,0]T,
电压谐波、暂升和中断:H7=[0,0,1,1,0,0,0,1]T,
电压谐波、暂升、中断和振荡:H8=[0,0,1,1,0,1,0,1]T,
采用基波频率50Hz,采样频率1600Hz,取10个周期,数据采样长度为320个点。采用主成分分析方法降成30维的降维训练样本集Y=[Y1,Y2,...,Y8]。
步骤(2):采用训练字典的算法对K类降维的电能质量数据训练成冗余子字典,对含有标签信息的子字典级联成结构化字典,同时降维训练样本是具有标签性的矩阵,目标字典是具有带线性分类器参数形式。
选取降维后的特征训练样本的部分原子作为初始化字典Di,每个特征原子作为初始化冗余字典的每一列,为了提高算法的运算效率,对初始化的字典作归一化处理,||Dij||2=1,i=1,2,...,k,j=1,2,...,P,Dij作为字典的列向量,于是级联之后的结构化字典D=[D1,D2,...,Dk],此时的目标函数为:
i=1,2,...,k,j=1,2,...,P,降维样本Yi在字典D上的编码系数Ai可以表示为 表示Yi在Dj上的编码系数,因此降维训练样本可以表示为:目标函数中为重构精度要求, 保证降维子训练样本Yi可以被子字典Di很好的表示,同时子训练样本在其他子字典Dj(j≠i)上系数非常小,Dj就不能很好地重构Yi,W是线性分类器H-WA的参数矩阵,H为标签矩阵,这样编码系数A和对应的类别标签H就建立了一个线性分类器,通过学习后该分类器对编码系数具有良好的识别力,这样就能用学习得到的线性分类器来进行识别。μ,η,β,λ为正则化参数用来权衡误差和稀疏程度。
步骤(3):对目标函数需要进一步优化求解,设置于是对目标函数进行进一步的优化:
i=1,2,...k,j=1,2,...P,μ,λ为权衡误差和稀疏程度的标量参数。由于D′做了归一化处理,就可以直接省略。通过上述的换元,将训练样本矩阵Y转化为带标签信息的矩阵Y′,将字典D转化为带线性分类器参数的字典D′,将三个变量D、A、W转变为两个变量D′、A′,极大地提高了字典的求解效率。对优化后的字典模型进行学习,分为两个部分:稀疏编码和字典更新。
(1)稀疏编码:固定字典D′更新稀疏编码稀疏A′:
(2)字典更新:更新的稀疏编码稀疏A′来更新字典D′:
字典D′的更新是通过逐个子字典依次更新的,D′=[D1′,D2′,...,Dk′]。
本实验中采用8类的电能质量扰动信号,设置μ=0.1,λ=1。
步骤(4):设置迭代次数s和迭代的阈值Js。初始化次数t=1,字典更新的最大迭代次数s=20或者迭代的阈值Js=0.01时停止迭代。
步骤(5):输入降维特征提取的测试样本信号,让其在优化下的级联字典下进行稀疏表示,获得稀疏表示矩阵形式,稀疏表示是通过子字典更新得到的稀疏表示矩阵
9获得稀疏表示矩阵就是通过求解来实现的,D是子字典级联学习得到的结构化字典,Y是降维测试训练样本集。
步骤(6):利用K类电能质量扰动信号的训练样本的子字典依次重构K个降维测试样本信号,分别计算与原降维测试样本信号的冗余误差,由冗余误差最小值确定目标归属类。
由冗余误差最小值确定目标归属类:
仿真实验如下图2、图3所示。
图2是8类电能质量扰动信号训练样本集的MATLAB仿真图。分别代表电压正常,电压暂降,电压谐波,电压中断,电压缺口,电压振荡,电压尖峰,电压暂升。
图3是实验中采用的8类含有复合信号训练样本的MATLAB仿真图。采用基波频率是50Hz,采样频率是1600Hz,一共采样10个周期,数据长度为320个采样点。一共产生8类:电压正常,电压振荡,电压暂升,电压谐波,电压缺口,电压谐波和暂降,电压谐波、暂升和中断,电压谐波、暂升、中断和振荡。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种带标签信息子字典级联学习的电能质量扰动识别方法,其特征在于,包括以下几个步骤:
步骤1、建立K类电能质量扰动信号模型,生成相应的含有复合信号的训练样本集利用主成分分析PCA方法进行降维特征提取,并贴上标签;步骤2、采用训练字典的算法对K类降维的电能质量数据训练成冗余子字典,对含有标签信息的子字典级联成结构化字典,同时降维训练样本是具有标签性的矩阵,目标字典是具有带线性分类器参数形式;步骤3、输入降维特征提取的测试样本信号,让其在优化下的级联字典下进行稀疏表示,获得稀疏表示矩阵形式;步骤4、利用K类电能质量扰动信号的训练样本的子字典依次重构K个降维测试样本信号,分别计算与原降维测试样本信号的冗余误差,由冗余误差最小值确定目标归属类。
2.根据权利要求1所述的一种带标签信息子字典级联学习的电能质量扰动识别方法,其特征是:步骤1中,所述生成相应的含有复合信号的训练样本集为:
E=[E1,E2,...,Ek]∈RM×N,其中k表示训练样本类别数,M表示为采样点数,N为信号长度,每一类训练样本集Ei,训练的样本集类别分别代表电压正常,电压暂降,电压谐波,电压中断,电压缺口,电压振荡,电压尖峰,电压暂升以及相应组合的复合信号构成,经过PCA降维以后获得的特征矩阵为Y=[Y1,Y2,...,Yk]∈RP×N,其中P<M,对于标签信息的电能质量模型信号,附加标签信息矩阵H=[H1,H2,...,Hk],则H1=[0,0,...,1]T表示电压暂升。
3.根据权利要求1所述的一种带标签信息子字典级联学习的电能质量扰动识别方法,其特征是:步骤2中,采用训练字典的算法对K类降维的电能质量数据训练成冗余子字典,对含有标签信息的子字典级联成结构化字典进行优化,该过程可以分为以下几个步骤:
步骤2.1、选取降维后的特征训练样本的部分原子作为初始化字典Di,每个特征原子作为初始化冗余字典的每一列,为了提高算法的运算效率,对初始化的字典作归一化处理,||Dij||2=1,i=1,2,...,k,j=1,2,...,P,Dij作为字典的列向量,于是级联之后的结构化字典D=[D1,D2,...,Dk];
步骤2.2、对于字典的优化目标函数为:
i=1,2,...,k,j=1,2,...,P,降维样本Yi在字典D上的编码系数Ai可以表示为 表示Yi在Dj上的编码系数,因此降维训练样本可以表示为:目标函数中为重构精度要求, 保证降维子训练样本Yi可以被子字典Di很好的表示,同时子训练样本在其他子字典Dj(j≠i)上系数非常小,Dj就不能很好地重构Yi,W是线性分类器H-WA的参数矩阵,H为标签矩阵,这样编码系数A和对应的类别标签H就建立了一个线性分类器,通过学习后该分类器对编码系数具有良好的识别力,这样就能用学习得到的线性分类器来进行识别。μ,η,β,λ为正则化参数用来权衡误差和稀疏程度;
步骤2.3、设置迭代次数s和迭代的阈值Js。
4.根据权利要求3所述的一种带标签信息子字典级联学习的电能质量扰动识别方法,其特征是:对目标函数需要进一步优化求解,设置则:
i=1,2,...k,j=1,2,...P,μ,λ为权衡误差和稀疏程度的标量参数;由于D′做了归一化处理,就可以直接省略;通过上述的换元,将训练样本矩阵Y转化为带标签信息的矩阵Y′,将字典D转化为带线性分类器参数的字典D′,将三个变量D、A、W转变为两个变量D′、A′。
5.根据权利要求4所述的一种带标签信息子字典级联学习的电能质量扰动识别方法,其特征是:还包括,对优化后的字典模型进行学习,分为两个部分:稀疏编码和字典更新:稀疏编码:固定字典D′更新稀疏编码稀疏A′:
字典更新:更新的稀疏编码稀疏A′来更新字典D′:
字典D′的更新是通过逐个子字典依次更新的,D′=[D1′,D2′,...,Dk′]。
6.根据权利要求1所述的一种带标签信息子字典级联学习的电能质量扰动识别方法,其特征是:步骤3中,获得测试样本信号的稀疏表示矩阵,稀疏表示是通过子字典更新得到的稀疏表示矩阵
7.根据权利要求1所述的一种带标签信息子字典级联学习的电能质量扰动识别方法,其特征是:步骤4中,由冗余误差最小值确定目标归属类为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610833364.7A CN106503726A (zh) | 2016-09-19 | 2016-09-19 | 一种带标签信息子字典级联学习的电能质量扰动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610833364.7A CN106503726A (zh) | 2016-09-19 | 2016-09-19 | 一种带标签信息子字典级联学习的电能质量扰动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106503726A true CN106503726A (zh) | 2017-03-15 |
Family
ID=58290791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610833364.7A Pending CN106503726A (zh) | 2016-09-19 | 2016-09-19 | 一种带标签信息子字典级联学习的电能质量扰动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503726A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505495A (zh) * | 2017-08-01 | 2017-12-22 | 南方电网科学研究院有限责任公司 | 一种电压信号扰动类别的检测方法及装置 |
CN108798641A (zh) * | 2018-06-19 | 2018-11-13 | 东北大学 | 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 |
CN110222738A (zh) * | 2019-05-22 | 2019-09-10 | 重庆邮电大学 | 面向混合采样工业大数据的基于多视图字典学习分类方法 |
CN115790815A (zh) * | 2023-01-17 | 2023-03-14 | 常熟理工学院 | 一种分布式光纤传感系统的扰动快速鉴别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951787A (zh) * | 2015-06-17 | 2015-09-30 | 江苏大学 | 一种src框架下判别字典学习的电能质量扰动识别方法 |
CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
-
2016
- 2016-09-19 CN CN201610833364.7A patent/CN106503726A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951787A (zh) * | 2015-06-17 | 2015-09-30 | 江苏大学 | 一种src框架下判别字典学习的电能质量扰动识别方法 |
CN105827250A (zh) * | 2016-03-16 | 2016-08-03 | 江苏大学 | 一种基于自适应字典学习的电能质量数据压缩重构方法 |
Non-Patent Citations (2)
Title |
---|
YUE SHEN 等: "Study on Identification of Power Quality Disturbances Based on Compressive Sensing", 《INTELLIGENT CONTROL AND AUTOMATION》 * |
董俊健 等: "基于子编码和全编码联合惩罚的稀疏表示字典学习方法", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505495A (zh) * | 2017-08-01 | 2017-12-22 | 南方电网科学研究院有限责任公司 | 一种电压信号扰动类别的检测方法及装置 |
CN108798641A (zh) * | 2018-06-19 | 2018-11-13 | 东北大学 | 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 |
CN108798641B (zh) * | 2018-06-19 | 2021-06-11 | 东北大学 | 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法 |
CN110222738A (zh) * | 2019-05-22 | 2019-09-10 | 重庆邮电大学 | 面向混合采样工业大数据的基于多视图字典学习分类方法 |
CN110222738B (zh) * | 2019-05-22 | 2021-05-18 | 重庆邮电大学 | 面向混合采样工业大数据的基于多视图字典学习分类方法 |
CN115790815A (zh) * | 2023-01-17 | 2023-03-14 | 常熟理工学院 | 一种分布式光纤传感系统的扰动快速鉴别方法及系统 |
CN115790815B (zh) * | 2023-01-17 | 2023-05-16 | 常熟理工学院 | 一种分布式光纤传感系统的扰动快速鉴别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503726A (zh) | 一种带标签信息子字典级联学习的电能质量扰动识别方法 | |
CN104951787B (zh) | 一种src框架下判别字典学习的电能质量扰动识别方法 | |
CN108287858A (zh) | 自然语言的语义提取方法及装置 | |
CN110472665A (zh) | 模型训练方法、文本分类方法及相关装置 | |
CN107292382A (zh) | 一种神经网络声学模型激活函数定点量化方法 | |
CN112348096B (zh) | 非侵入式负荷分解方法及系统 | |
CN104160392A (zh) | 语义推测装置、方法以及程序 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN105825269B (zh) | 一种基于并行自动编码机的特征学习方法及系统 | |
CN107180084A (zh) | 词库更新方法及装置 | |
CN104966161A (zh) | 一种基于高斯混合模型的电能质量录波数据计算分析方法 | |
CN104699797A (zh) | 一种网页数据结构化解析方法和装置 | |
CN106778878A (zh) | 一种人物关系分类方法及装置 | |
CN110442523A (zh) | 一种跨项目软件缺陷预测方法 | |
CN105609116A (zh) | 一种语音情感维度区域的自动识别方法 | |
Mishra et al. | Reliable local explanations for machine listening | |
CN106250398A (zh) | 一种投诉事件的投诉内容分类判定方法及装置 | |
CN104834718A (zh) | 基于最大熵模型的事件论元识别方法及系统 | |
Huang et al. | Deep learning model-transformer based wind power forecasting approach | |
CN111241273A (zh) | 文本数据分类方法、装置、电子设备及计算机可读介质 | |
Wang et al. | Intermittent fault diagnosis of analog circuit based on enhanced one-dimensional vision transformer and transfer learning strategy | |
CN103207804A (zh) | 基于集群作业日志的MapReduce负载模拟方法 | |
Stein et al. | Applying QNLP to sentiment analysis in finance | |
CN111090679A (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
CN109654383A (zh) | 一种供水管道的泄露程度确定方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170315 |
|
RJ01 | Rejection of invention patent application after publication |