为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发,结合两种不同的方法对局放特征进行提取。同时在流形学习非监督的基础上引入了监督信息,从而保...为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发,结合两种不同的方法对局放特征进行提取。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构,同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明文中方法较好地提取出最优特征值,且能得到更准确的识别结果。展开更多
在Mum ford-Shah模型和Yoon Mo Jung等提出的分割模型的基础上,利用分段常数水平集方法,提出了一个新的多相位分割模型。新模型输出一个多相位的分布图象,并可以容易地提取每个单独的相位,有一定的抗噪音能力。利用最速下降算法求解总...在Mum ford-Shah模型和Yoon Mo Jung等提出的分割模型的基础上,利用分段常数水平集方法,提出了一个新的多相位分割模型。新模型输出一个多相位的分布图象,并可以容易地提取每个单独的相位,有一定的抗噪音能力。利用最速下降算法求解总变差最小化问题。引进了一个函数确定模型中的参数值,加速了算法的收敛速度。数值试验表明新模型有很好的分割效果且能准确地处理含T-交汇的图象。展开更多
文摘为更全面地提取局部放电信号的特征值信息,提高识别率,将局部放电统计特征参数和矩特征参数相结合,提取出高维的特征值。从不同的角度出发,结合两种不同的方法对局放特征进行提取。同时在流形学习非监督的基础上引入了监督信息,从而保证高维到低维的映射在保留流形某些结构,同时也可进一步分离不同类别的流形。利用基于监督的局部线性嵌入(Supervised Locally Linear Embedding,SLLE)对局部放电特征值进行降维优化处理,提取出具有较高分类能力的最优特征值,利用电力电缆附件的4种典型缺陷进行实验对比,结果表明文中方法较好地提取出最优特征值,且能得到更准确的识别结果。
文摘在Mum ford-Shah模型和Yoon Mo Jung等提出的分割模型的基础上,利用分段常数水平集方法,提出了一个新的多相位分割模型。新模型输出一个多相位的分布图象,并可以容易地提取每个单独的相位,有一定的抗噪音能力。利用最速下降算法求解总变差最小化问题。引进了一个函数确定模型中的参数值,加速了算法的收敛速度。数值试验表明新模型有很好的分割效果且能准确地处理含T-交汇的图象。
