CN113255212A - 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法 - Google Patents

一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法 Download PDF

Info

Publication number
CN113255212A
CN113255212A CN202110535633.2A CN202110535633A CN113255212A CN 113255212 A CN113255212 A CN 113255212A CN 202110535633 A CN202110535633 A CN 202110535633A CN 113255212 A CN113255212 A CN 113255212A
Authority
CN
China
Prior art keywords
matrix
cooling system
pca
data
converter valve
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
Application number
CN202110535633.2A
Other languages
English (en)
Inventor
黄殿龙
董言乐
鲁翔
陈图腾
乔柱桥
伍珣
薛钰
夏云礼
王云龙
袁虎强
邓东旭
李阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Kunming Bureau of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming Bureau of Extra High Voltage Power Transmission Co filed Critical Kunming Bureau of Extra High Voltage Power Transmission Co
Priority to CN202110535633.2A priority Critical patent/CN113255212A/zh
Publication of CN113255212A publication Critical patent/CN113255212A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，包括以下步骤：A、导入数据，保留海拔影响因素，其余原始数据经过PCA预处理得到降维矩阵，最后结合海拔因素构建新的降维矩阵；B、从训练集分别获取不同类别下的期望、方差、标准差、类别的先验概率以及变量间相关系数；C、期望、方差、标准差、多元向量间的相关性生成二元高斯函数，计算贝叶斯概率函数；D、进行基于最小错误率的贝叶斯判别分类；E、计算分类的正确率；F、利用测试集的数据进行验证分类效果及准确率；G、将实际数据进行输入，进行类别的判定，实现阀冷却系统冷却方式的选择。本发明能够实现快速、准确地选择最合适的阀冷却系统的冷却方式。

Description

一种基于PCA和贝叶斯分类器的换流阀冷却系统选型方法
技术领域
本发明涉及换流站控制技术领域，具体是一种基于PCA和贝叶斯分类器的换流阀冷却系统选型方法。
背景技术
换流站作为直流输出系统中的关键部位，可以实现例如交直流电能转换的功能，其中实现该功能的最为核心的设备就是换流阀。而换流阀在工作时，其核心部件晶闸管的温度会上升，如果无法及时散去多余的热量，就会导致其发生损坏，进而影响换流阀的正常工作。而换流阀具有一套冷却系统进行热量的交换，带走阀内的热量，循环到外部进行释放，保证晶闸管工作在正常温度范围，因此换流阀冷却系统是保证换流阀正常且安全工作的重要部位。
换流阀冷却系统分为阀内和阀外两部分，其中阀内为内水循环冷却系统，阀外为外冷却系统，外冷却系统主要是将内冷却系统中的冷却介质——水进行冷却。外冷却系统有三大类方式——空气冷却方式、水冷却方式以及空气冷却串水冷方式。
这三种冷却方式各有特点，在有些地理环境相下，会出现换流阀冷却方式难以选择的问题。目前，现有的选择方式，多是人工对各类影响因素进行筛选分析，由技术人员根据工程经验，这类方法对技术人员来说，工作量大且较为耗时，有时不宜选择出最优的冷却方式。在综合考虑了海拔、气温以及当地实际环境等各类条件后，仍有可能存在选型因素考虑不全面、计算复杂等问题，因此会导致选型结果的不准确，与实际需求存在较大的误差等问题。
发明内容
本发明要解决的技术问题是提供一种基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，能够解决现有技术的不足，实现快速、准确地选择最合适的阀冷却系统的冷却方式，便于技术人员根据换流站的各类参数智能地选取合适的方式，降低了选择冷却方式的复杂程度。
本发明的内容包括以下步骤：
A、导入数据，保留海拔影响因素，其余原始数据经过PCA预处理得到降维矩阵，最后结合海拔因素构建新的降维矩阵；
B、从训练集分别获取不同类别下的期望、方差、标准差、类别的先验概率以及变量间相关系数；
C、期望、方差、标准差、多元向量间的相关性生成二元高斯函数，计算贝叶斯概率函数；
D、进行基于最小错误率的贝叶斯判别分类；
E、计算分类的正确率；
F、利用测试集的数据进行验证分类效果及准确率；
G、将实际数据进行输入，进行类别的判定，实现阀冷却系统冷却方式的选择。
作为优选，步骤A中，PCA预处理是用最主要的部分来表示原数据集，用于消除数据相关性，降低噪声，去除冗余数据，降低训练模型所需的样本数据量和维数，降低训练难度。
作为优选，步骤A中，PCA预处理包括以下步骤，
A1、设原始数据包含m个n维样本，构造输入矩阵Xm×n；
A2、零均值化输入矩阵的每一行，得到矩阵B，即
Figure BDA0003069523230000021
A3、求出协方差矩阵
Figure BDA0003069523230000022
A4、对协方差矩阵C做特征值分解，获取协方差矩阵的特征值对角矩阵和特征向量矩阵，对角化矩阵D＝V-1CV，其中D为C的特征值对角矩阵；
A5、特征值对角矩阵D的主对角线元素即为各主成分方差，按从大到小排序，并根据方差总和计算各主成分的贡献率，保留贡献率大于设定阈值的前k维主成分构成新矩阵P；
A6、Y＝PX为降维后的数据矩阵。
作为优选，步骤A5中，贡献率的设定阈值为85％。
作为优选，将具有影响权重高的数据单独保留，首先将其他数据进行预处理，在构建降维后的数据矩阵时，再将影响权重大的数据组加入，形成新的矩阵。
作为优选，步骤B中，训练集包括外部环境因素的最高温度、最低温度、气压、风速、海拔、极端气温。
作为优选，步骤C中，计算贝叶斯概率函数包括以下步骤，
C1、设X＝(x1，x2…xn)T为待识别量的特征，样本分为M类ω1，ω2…ωM，各类的先验概率分别为P(ω1)，P(ω2)…P(ωM)，先验概率P(ωi)通过待识别的样本库来求得的；
C2、先验概率依靠经验或者样本中各类别出现的频率估计来获得，
Figure BDA0003069523230000023
P(ωi)是类别为ωi的先验概率，Ni是类别ωi的样品数，N为样本总数；
C3、各类的类条件概率密度分别为P(X|ω1)，P(X|ω2)…P(X|ωM)；
C4、类条件概率密度函数为，
Figure BDA0003069523230000031
S为n维协方差矩阵，S-1是S的逆矩阵，|S|是S的行列式，
Figure BDA0003069523230000032
为ωi类的均值向量。
作为优选，步骤D中，根据先验概率和类条件概率密度函数构建出M个判别函数，然后在取得一个特征X后，可以通过比较各个判别函数来确定X的类别，
Figure BDA0003069523230000033
贝叶斯分类器判别函数为，
Figure BDA0003069523230000034
其中，X＝(x1，x2…xn)为n维特征向量，
Figure BDA0003069523230000035
为n维协方差矩阵，
Figure BDA0003069523230000036
为n维均值向量，S-1是S的逆矩阵，|S|是S的行列式，
Figure BDA0003069523230000037
为ωi类的均值向量。
作为优选，若均服从正态分布，则贝叶斯分类器判别函数为
Figure BDA0003069523230000038
作为优选，步骤G中，计算换流阀冷却系统不同冷却方式的先验概率和后验概率，后验概率的最大值对应的ωi即为X对应的类别，即冷却方式的具体类别。
本发明的有益效果是：本发明基于主成分分析，并结合最小错误率的贝叶斯决策来实现阀冷却系统的冷却方式选择。首先通过梳理各类影响因素，确定其各自影响选型结果的权重，考虑了每类影响因素的权重，以选取合适的环境参数。然后利用改进的PCA对环境参数进行数据的预处理，有效降低数据维度，又保留影响权重大的因素。最后通过构建贝叶斯分类器函数，来实现选型模式的确定，实现阀冷却系统的最优冷却方式的选择。该方法可以实现快速、准确地选择最合适的阀冷却系统的冷却方式，便于技术人员根据换流站的各类参数智能地选取合适的方式，降低了选择冷却方式的复杂程度，为换流站换流阀冷却系统冷却方式的选择提供了参考建议。
附图说明
图1为本发明的原理图。
具体实施方式
一种基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，包括以下步骤：
A、导入数据，保留海拔影响因素，其余原始数据经过PCA预处理得到降维矩阵，最后结合海拔因素构建新的降维矩阵；
B、从训练集分别获取不同类别下的期望、方差、标准差、类别的先验概率以及变量间相关系数；
C、期望、方差、标准差、多元向量间的相关性生成二元高斯函数，计算贝叶斯概率函数；
D、进行基于最小错误率的贝叶斯判别分类；
E、计算分类的正确率；
F、利用测试集的数据进行验证分类效果及准确率；
G、将实际数据进行输入，进行类别的判定，实现阀冷却系统冷却方式的选择。
步骤A中，PCA预处理是用最主要的部分来表示原数据集，用于消除数据相关性，降低噪声，去除冗余数据，降低训练模型所需的样本数据量和维数，降低训练难度。
步骤A中，PCA预处理包括以下步骤，
A1、设原始数据包含m个n维样本，构造输入矩阵Xm×n；
A2、零均值化输入矩阵的每一行，得到矩阵B，即
Figure BDA0003069523230000041
A3、求出协方差矩阵
Figure BDA0003069523230000042
A4、对协方差矩阵C做特征值分解，获取协方差矩阵的特征值对角矩阵和特征向量矩阵，对角化矩阵D＝V-1CV，其中D为C的特征值对角矩阵；
A5、特征值对角矩阵D的主对角线元素即为各主成分方差，按从大到小排序，并根据方差总和计算各主成分的贡献率，保留贡献率大于设定阈值的前k维主成分构成新矩阵P；
A6、Y＝PX为降维后的数据矩阵。
步骤A5中，贡献率的设定阈值为85％。
将具有影响权重高的数据单独保留，首先将其他数据进行预处理，在构建降维后的数据矩阵时，再将影响权重大的数据组加入，形成新的矩阵。
步骤B中，训练集包括外部环境因素的最高温度、最低温度、气压、风速、海拔、极端气温。
步骤C中，计算贝叶斯概率函数包括以下步骤，
C1、设X＝(x1，x2…xn)T为待识别量的特征，样本分为M类ω1，ω2…ωM，各类的先验概率分别为P(ω1)，P(ω2)…P(ωM)，先验概率P(ωi)通过待识别的样本库来求得的；
C2、先验概率依靠经验或者样本中各类别出现的频率估计来获得，
Figure BDA0003069523230000051
P(ωi)是类别为ωi的先验概率，Ni是类别ωi的样品数，N为样本总数；
C3、各类的类条件概率密度分别为P(X|ω1)，P(X|ω2)…P(X|ωM)；
C4、类条件概率密度函数为，
Figure BDA0003069523230000052
S为n维协方差矩阵，S-1是S的逆矩阵，|S|是S的行列式，
Figure BDA0003069523230000053
为ωi类的均值向量。
步骤D中，根据先验概率和类条件概率密度函数构建出M个判别函数，然后在取得一个特征X后，可以通过比较各个判别函数来确定X的类别，
Figure BDA0003069523230000054
贝叶斯分类器判别函数为，
Figure BDA0003069523230000055
其中，X＝(x1，x2…xn)为n维特征向量，
Figure BDA0003069523230000056
为n维协方差矩阵，
Figure BDA0003069523230000057
为n维均值向量，S-1是S的逆矩阵，|S|是S的行列式，
Figure BDA0003069523230000058
为ωi类的均值向量。
若均服从正态分布，则贝叶斯分类器判别函数为
Figure BDA0003069523230000061
步骤G中，计算换流阀冷却系统不同冷却方式的先验概率和后验概率，后验概率的最大值对应的ωi即为X对应的类别，即冷却方式的具体类别。
实验结果及分析
冷却方式共有三种，其对应类别的编码如表1中所示：
表1冷却方式对应编码
Figure BDA0003069523230000062
实验用来选择合适的阀冷却系统冷却方式的特征参数主要使用外部环境因素的最高温度、最低温度、气压、风速等，将训练集的各参数作为输入，计算各类概率，最终求得分类函数，待分类器训练完毕后，再将测试集进行输入，得到测试结果，完成验证，便可将实际需要决策的换流站参数输入，最终得出最匹配的冷却方式。
本实验将多种分类算法效果进行了比较，具体结果如下表2所示：
表2不同方法的实验结果对比
Figure BDA0003069523230000063
本发明主要对比了基于最小错误率的贝叶斯决策、感知器算法、以及两种不同的相似度分类方法，根据上表中的结果，可以看出，本发明所采用的基于PCA的贝叶斯决策，契合率最高，且耗时相差不多。而其余几种方法中，契合度均略有不如本发明所提方法。
表3两种贝叶斯实验结果对比
Figure BDA0003069523230000064
Figure BDA0003069523230000071
从表3中，可以看出，传统的贝叶斯决策的契合率是低于本发明提出的结合主成分分析的贝叶斯决策的，主要是由于特征参数中可能含有冗余信息，且没有充分考虑海拔等影响权重较大的因素，就可能造成判别函数的计算过程出现一定的偏差，最终导致决策的偏差。
综上所述，本发明所提出的结合改进的PCA的贝叶斯分类方法具有更为精准的分类能力，可以很好的实现换流站换流阀冷却系统冷却方式的选择。

Claims (10)

1.一种基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于包括以下步骤：
A、导入数据，保留海拔影响因素，其余原始数据经过PCA预处理得到降维矩阵，最后结合海拔因素构建新的降维矩阵；
B、从训练集分别获取不同类别下的期望、方差、标准差、类别的先验概率以及变量间相关系数；
C、期望、方差、标准差、多元向量间的相关性生成二元高斯函数，计算贝叶斯概率函数；
D、进行基于最小错误率的贝叶斯判别分类；
E、计算分类的正确率；
F、利用测试集的数据进行验证分类效果及准确率；
G、将实际数据进行输入，进行类别的判定，实现阀冷却系统冷却方式的选择。
2.根据权利要求1所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：步骤A中，PCA预处理是用最主要的部分来表示原数据集，用于消除数据相关性，降低噪声，去除冗余数据，降低训练模型所需的样本数据量和维数，降低训练难度。
3.根据权利要求2所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：步骤A中，PCA预处理包括以下步骤，
A1、设原始数据包含m个n维样本，构造输入矩阵Xm×n；
A2、零均值化输入矩阵的每一行，得到矩阵B，即
Figure FDA0003069523220000011
A3、求出协方差矩阵
Figure FDA0003069523220000012
A4、对协方差矩阵C做特征值分解，获取协方差矩阵的特征值对角矩阵和特征向量矩阵，对角化矩阵D＝V-1CV，其中D为C的特征值对角矩阵；
A5、特征值对角矩阵D的主对角线元素即为各主成分方差，按从大到小排序，并根据方差总和计算各主成分的贡献率，保留贡献率大于设定阈值的前k维主成分构成新矩阵P；
A6、Y＝PX为降维后的数据矩阵。
4.根据权利要求3所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：步骤A5中，贡献率的设定阈值为85％。
5.根据权利要求3所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：将具有影响权重高的数据单独保留，首先将其他数据进行预处理，在构建降维后的数据矩阵时，再将影响权重大的数据组加入，形成新的矩阵。
6.如权利要求1所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：步骤B中，训练集包括外部环境因素的最高温度、最低温度、气压、风速、海拔、极端气温。
7.如权利要求1所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：步骤C中，计算贝叶斯概率函数包括以下步骤，
C1、设X＝(x1，x2 … xn)T为待识别量的特征，样本分为M类ω1，ω2 … ωM，各类的先验概率分别为P(ω1)，P(ω2) … P(ωM)，先验概率P(ωi)通过待识别的样本库来求得的；
C2、先验概率依靠经验或者样本中各类别出现的频率估计来获得，
Figure FDA0003069523220000021
P(ωi)是类别为ωi的先验概率，Ni是类别ωi的样品数，N为样本总数；
C3、各类的类条件概率密度分别为P(X|ω1)，P(X|ω2) … P(X|ωM)；
C4、类条件概率密度函数为，
Figure FDA0003069523220000022
S为n维协方差矩阵，S-1是S的逆矩阵，|S|是S的行列式，
Figure FDA0003069523220000023
为ωi类的均值向量。
8.如权利要求7所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：步骤D中，根据先验概率和类条件概率密度函数构建出M个判别函数，然后在取得一个特征X后，可以通过比较各个判别函数来确定X的类别，
Figure FDA0003069523220000024
贝叶斯分类器判别函数为，
Figure FDA0003069523220000025
其中，X＝(x1，x2 … xn)为n维特征向量，
Figure FDA0003069523220000026
为n维协方差矩阵，
Figure FDA0003069523220000031
为n维均值向量，S-1是S的逆矩阵，|S|是S的行列式，
Figure FDA0003069523220000032
为ωi类的均值向量。
9.如权利要求8所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：若均服从正态分布，则贝叶斯分类器判别函数为
Figure FDA0003069523220000033
10.如权利要求9所述的基于PCA和贝叶斯分类器的换流阀冷却系统选型方法，其特征在于：步骤G中，计算换流阀冷却系统不同冷却方式的先验概率和后验概率，后验概率的最大值对应的ωi即为X对应的类别，即冷却方式的具体类别。
CN202110535633.2A 2021-05-17 2021-05-17 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法 Pending CN113255212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110535633.2A CN113255212A (zh) 2021-05-17 2021-05-17 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110535633.2A CN113255212A (zh) 2021-05-17 2021-05-17 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法

Publications (1)

Publication Number Publication Date
CN113255212A true CN113255212A (zh) 2021-08-13

Family

ID=77183264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110535633.2A Pending CN113255212A (zh) 2021-05-17 2021-05-17 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法

Country Status (1)

Country Link
CN (1) CN113255212A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850028A (zh) * 2021-11-30 2021-12-28 中南大学 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7979363B1 (en) * 2008-03-06 2011-07-12 Thomas Cecil Minter Priori probability and probability of error estimation for adaptive bayes pattern recognition
CN103077405A (zh) * 2013-01-18 2013-05-01 浪潮电子信息产业股份有限公司 一种基于Fisher判别分析的贝叶斯分类方法
US20170169360A1 (en) * 2013-04-02 2017-06-15 Patternex, Inc. Method and system for training a big data machine to defend
CN108632278A (zh) * 2018-05-08 2018-10-09 北京理工大学 一种基于pca与贝叶斯相结合的网络入侵检测方法
CN109801685A (zh) * 2019-03-15 2019-05-24 安徽理工大学 一种基于PCA法与Bayes判别模型的突水水源识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7979363B1 (en) * 2008-03-06 2011-07-12 Thomas Cecil Minter Priori probability and probability of error estimation for adaptive bayes pattern recognition
CN103077405A (zh) * 2013-01-18 2013-05-01 浪潮电子信息产业股份有限公司 一种基于Fisher判别分析的贝叶斯分类方法
US20170169360A1 (en) * 2013-04-02 2017-06-15 Patternex, Inc. Method and system for training a big data machine to defend
CN108632278A (zh) * 2018-05-08 2018-10-09 北京理工大学 一种基于pca与贝叶斯相结合的网络入侵检测方法
CN109801685A (zh) * 2019-03-15 2019-05-24 安徽理工大学 一种基于PCA法与Bayes判别模型的突水水源识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘辉: "换流站换流阀冷却系统的选型研究", 《吉林电力》 *
杨帆等: "基于PCA和贝叶斯分类技术的滚动轴承质量检测方法", 《陕西科技大学学报》 *
温玉婷等: "高海拔地区换流阀冷却系统设计及选型", 《广西电力》 *
王仲阳等: "基于PCA法与Bayes法的鹤壁矿区突水水源识别", 《中州煤炭》 *
王印松等: "一种基于PCA和贝叶斯分类的气动调节阀故障诊断方法", 《中国测试》 *
蔡晓龙等: "PCA和贝叶斯分类技术在焊缝缺陷识别中的应用", 《焊接》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850028A (zh) * 2021-11-30 2021-12-28 中南大学 基于堆叠异构残差网络的换流阀冷却方式分类方法及装置

Similar Documents

Publication Publication Date Title
CN111814871B (zh) 一种基于可靠权重最优传输的图像分类方法
CN112069310B (zh) 基于主动学习策略的文本分类方法及系统
CN112328588B (zh) 一种工业故障诊断非平衡时序数据扩充方法
CN115578248B (zh) 一种基于风格引导的泛化增强图像分类算法
CN110826611A (zh) 基于多个元分类器加权集成的stacking污水处理故障诊断方法
CN116226689A (zh) 一种基于高斯混合模型的配电网典型运行场景生成方法
CN108154186B (zh) 一种模式识别方法和装置
CN116128544A (zh) 一种电力营销异常营业数据的主动稽核方法和系统
CN112884570A (zh) 一种模型安全性的确定方法、装置和设备
CN113255212A (zh) 一种基于pca和贝叶斯分类器的换流阀冷却系统选型方法
CN117131449A (zh) 面向数据治理的具有传播学习能力的异常识别方法及系统
CN116245250A (zh) 一种用于电力系统优化的场景生成方法
Lu A survey on Bayesian inference for Gaussian mixture model
Andrews et al. Maximum likelihood inference in weakly identified DSGE models
CN113420508A (zh) 一种基于lstm的机组组合计算方法
CN117151488A (zh) 一种寒潮大风天气样本扩充方法、系统、存储介质及设备
CN113283043B (zh) 一种适用于高维大规模场景的场景约简求解方法
CN115936062A (zh) 基于场景生成与深度学习的光伏功率日前区间预测方法
CN113688875B (zh) 工业系统故障识别方法及装置
CN115751441A (zh) 基于二次侧流量的供热系统热力站热量调节方法及系统
CN104680317B (zh) 一种基于概率灰色综合评价的企业合作伙伴选择方法
CN116917910A (zh) 混合模型制作方法、混合模型制作装置以及程序
Liao et al. Multiobjective design of equivalent accelerated life testing plans
CN111626376A (zh) 一种基于判别联合概率的域适配方法及系统
Yu et al. A novel single-loop Kriging importance sampling method for estimating failure probability upper bound under random-interval mixed uncertainties

Legal Events

Date Code Title Description
PB01 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210813