对支持向量机(twin support vector machine,TWSVM)的优化思想源于基于广义特征值近似支持向量机(proxi mal SVMbased on generalized eigenvalues,GEPSVM),问题解归结为求解两个SVM型问题,因此,计算开销缩减到标准SVM的1/4.除了保留了G...对支持向量机(twin support vector machine,TWSVM)的优化思想源于基于广义特征值近似支持向量机(proxi mal SVMbased on generalized eigenvalues,GEPSVM),问题解归结为求解两个SVM型问题,因此,计算开销缩减到标准SVM的1/4.除了保留了GEPSVM优势外,在分类性能上TWSVM远优于GEPSVM,但仍需求解凸规划问题,并且,目前尚无有效的TWSVM的特征提取算法提出.首先,向TWSVM模型中引入正则项,提出了正则化TWSVM(RTWSVM).与TWSVM不同,RTWSVM保证了该问题为一个强凸规划问题.在此基础上,构造了TWSVM的特征提取算法(FRTWSVM).该分类器只需求解一个线性方程系统,无需任何凸规划软件包.在保证得到与TWSVM相当的分类性能以及较快的计算速度上,此方式还减少了输入空间的特征数.对于非线性问题,FRTWSVM可以减少核函数数目.展开更多
对大型电力系统采用动态等值可显著降低计算量,并能突出主要特征。同调等值法作为动态等值的一种,其核心是同调机群的自动识别。为此,提出将最小二乘支持向量机(least square support vector machine,LS-SVM)应用于同调机群的在线识别,...对大型电力系统采用动态等值可显著降低计算量,并能突出主要特征。同调等值法作为动态等值的一种,其核心是同调机群的自动识别。为此,提出将最小二乘支持向量机(least square support vector machine,LS-SVM)应用于同调机群的在线识别,通过离线学习建立表征发电机同调性的特征参数与发电机之间同调性指标的非线性映射关系,并对比2组不同输入特征找出更能表现发电机同调性的特征参数。为进一步提高最小二乘支持向量机的学习、预测能力,提出采用多层动态自适应优化算法对其参数进行优化。最后通过对中国电力科学研究院(EPRI)36节点系统的仿真计算,结果表明该方法具有准确、快速的优点,并且适用于系统不同运行方式,能有效解决同调机群的识别问题。展开更多
基金Supported by the National Creative Research Groups Science Foundation of P.R. China （NCRGSFC： 60421002） and National High Technology Research and Development Program of China （863 Program） （2006AA04 Z182）
文摘对支持向量机(twin support vector machine,TWSVM)的优化思想源于基于广义特征值近似支持向量机(proxi mal SVMbased on generalized eigenvalues,GEPSVM),问题解归结为求解两个SVM型问题,因此,计算开销缩减到标准SVM的1/4.除了保留了GEPSVM优势外,在分类性能上TWSVM远优于GEPSVM,但仍需求解凸规划问题,并且,目前尚无有效的TWSVM的特征提取算法提出.首先,向TWSVM模型中引入正则项,提出了正则化TWSVM(RTWSVM).与TWSVM不同,RTWSVM保证了该问题为一个强凸规划问题.在此基础上,构造了TWSVM的特征提取算法(FRTWSVM).该分类器只需求解一个线性方程系统,无需任何凸规划软件包.在保证得到与TWSVM相当的分类性能以及较快的计算速度上,此方式还减少了输入空间的特征数.对于非线性问题,FRTWSVM可以减少核函数数目.
文摘对大型电力系统采用动态等值可显著降低计算量,并能突出主要特征。同调等值法作为动态等值的一种,其核心是同调机群的自动识别。为此,提出将最小二乘支持向量机(least square support vector machine,LS-SVM)应用于同调机群的在线识别,通过离线学习建立表征发电机同调性的特征参数与发电机之间同调性指标的非线性映射关系,并对比2组不同输入特征找出更能表现发电机同调性的特征参数。为进一步提高最小二乘支持向量机的学习、预测能力,提出采用多层动态自适应优化算法对其参数进行优化。最后通过对中国电力科学研究院(EPRI)36节点系统的仿真计算,结果表明该方法具有准确、快速的优点,并且适用于系统不同运行方式,能有效解决同调机群的识别问题。
