典型文献
少量已知历史数据下的电能质量复合扰动识别方法
文献摘要：
针对训练电能质量复合扰动分类模型遇到少量已知历史数据和海量未标注的采样数据共存的现象,提出了一种基于混合流形正则化图拉普拉斯-海森半监督极限学习机(Laplacian Hessian semi-supervised-extreme learning machine,LHSS-ELM)的复合扰动识别方法.所提方法通过Laplacian正则化和Hessian正则化相结合更好地挖掘未标注扰动样本的局部结构信息.不同噪声水平下的实验结果表明:LHSS-ELM在复合扰动识别上准确率高于常见的半监督极限学习机模型,它与传统基于支持向量机的半监督模型对比,精度也有明显的提高,表明所提方法是一种有效的复合扰动识别方法.
文献关键词：
电能质量;扰动识别;极限学习机;流形正则化;半监督学习
中图分类号：
作者姓名：
赵晨;李开成;张浩毅;林炜鑫;曾子莹
作者机构：
福建农林大学机电工程学院,福州350002;华中科技大学电气与电子工程学院,武汉430074
文献出处：
引用格式：
[1]赵晨;李开成;张浩毅;林炜鑫;曾子莹-.少量已知历史数据下的电能质量复合扰动识别方法)[J].科学技术与工程,2022(08):3087-3092
A类：
LHSS
B类：
历史数据,电能质量复合扰动,扰动识别,扰动分类,分类模型,采样数据,混合流,流形正则化,图拉普拉斯,Laplacian,Hessian,semi,supervised,extreme,learning,machine,ELM,局部结构,结构信息,噪声水平,极限学习机模型,半监督模型,模型对比,半监督学习
AB值：
0.264718
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。
