典型文献
基于小样本的卷积神经网络电能质量扰动分类方法
文献摘要：
电能质量扰动分类方法目前存在训练样本过多、信号处理方法复杂等缺点,文章针对以上问题提出一种将互相关技术和卷积神经网络相结合的电能质量扰动类型分类新方法.对原始单一或者复合扰动波形进行差分预处理,将新得到的一维序列送入基于互相关的滑窗处理,获得较好的波形特征,再采用卷积神经网络进行分类.实验结果显示所提方法在小规模样本中测试集的分类准确率和损失率分别为98.7％和4.36％,现有深度卷积神经网络方法的分类准确率和损失率分别为96.96％和11.8％.本文方法与现有方法相比,不仅适用于小规模样本,同时该方法准确度高、损失率低且鲁棒性好.
文献关键词：
电能质量;扰动类型分类;差分运算;互相关;卷积神经网络
中图分类号：
作者姓名：
程志友;姜帅;程安然;李悦
作者机构：
安徽大学 教育部电能质量研究中心,安徽 合肥 230601;安徽大学 互联网学院,安徽 合肥 230601
文献出处：
引用格式：
[1]程志友;姜帅;程安然;李悦-.基于小样本的卷积神经网络电能质量扰动分类方法)[J].淮北师范大学学报（自然科学版）,2022(04):45-51
A类：
扰动类型分类
B类：
小样本,电能质量扰动分类,分类方法,训练样本,信号处理,互相关,复合扰动,维序,送入,滑窗,波形特征,小规模,模样,测试集,分类准确率,损失率,有深度,深度卷积神经网络,神经网络方法,差分运算
AB值：
0.237092
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
