典型文献
小样本下基于CNN-DCGAN的电缆局部放电模式识别方法
文献摘要：
在电缆局部放电模式识别过程中,传统人工特征提取依赖特定领域的知识及经验,特征选择和优化工作量较大.针对该问题并为了避免非均衡小样本数据下分类器的过拟合,文中提出了一种在小样本的情况下基于CNN-DC-GAN的电缆局部放电模式的识别方法.利用滑动时间窗将局部放电时域信号转化为二维图像信息,构建深度卷积生成对抗网络,在原始数据集的基础上进行样本增强,将原始样本和增强样本作为系统输入,构造卷积神经网络,利用其非线性编码器自动提取局部放电特征,并通过Softmax层训练特征分类模型.实验结果表明,相较于人工特征,基于自动特征提取的CNN分类器识别准确率提高了4.18％.相较于原有数据集,基于样本增强数据集的系统识别准确率提高了3.175％.
文献关键词：
局部放电;特征提取;样本增强;卷积神经网络;生成对抗网络;模式识别;绝缘缺陷;时域信号
中图分类号：
作者姓名：
孙抗;轩旭阳;刘鹏辉;赵来军;龙洁
作者机构：
河南理工大学 电气工程与自动化学院,河南 焦作454000;国网河南省电力公司 焦作供电公司,河南 焦作454000
文献出处：
引用格式：
[1]孙抗;轩旭阳;刘鹏辉;赵来军;龙洁-.小样本下基于CNN-DCGAN的电缆局部放电模式识别方法)[J].电子科技,2022(07):7-13
A类：
非线性编码
B类：
DCGAN,电缆,局部放电,放电模式,模式识别,识别过程,传统人工,赖特,特定领域,特征选择,非均衡,小样本数据,分类器,过拟合,滑动时间窗,时域信号,二维图像,图像信息,深度卷积生成对抗网络,原始数据,样本增强,编码器,自动提取,放电特征,Softmax,训练特征,特征分类,分类模型,自动特征提取,器识,识别准确率,系统识别,绝缘缺陷
AB值：
0.335241
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。
