基于支持向量机理论的XLPE电缆局部放电信号特征优化方法

摘要

一种基于支持向量机理论的XLPE电缆局部放电信号特征优化方法，包括：步骤1，输入XLPE电缆局部放电信号的特征向量集合；步骤2，将XLPE电缆局部放电信号特征向量集合进行初始化操作；步骤3，根据特征获取新的训练样本矩阵X＝X₀(:,s)；步骤4，训练分类器；步骤5，根据排序准则计算各特征代价分数c；步骤6寻找最小代价分数特征：f＝argmin(c)；步骤7，更新特征排序向量：r＝[s(f),r]；步骤8，消去得到最小代价分数的特征：s＝s(1:f-1,f+1:length(s))；步骤9，返回步骤3，重复循环，直到s为空集；步骤10，输出优化后的XLPE电缆局部放电信号的特征向量集合。本发明可构造出最优超平面，达到最大的泛化能力；且具有结构简单、全局最优及泛化能力好的特点，适合解决小样本、非线性及高维模式识别问题。

主权项

一种基于支持向量机理论的XLPE电缆局部放电信号特征优化方法，其特征是包括以下步骤：步骤1，输入XLPE电缆局部放电信号的特征向量集合；步骤2，将XLPE电缆局部放电信号特征向量集合进行初始化操作设当前特征子集向量：s＝[1,2,...,k]，特征排序向量：r＝[]，训练样本矩阵：X₀＝[x₁,x₂,...,x_n]^T，类标示向量：y＝[y₁,y₂,...,y_n]^T；步骤3，根据特征获取新的训练样本矩阵X＝X₀(:,s)；步骤4，训练分类器；步骤5，根据排序准则计算各特征代价分数c，代价函数为$J=\frac{1}{2}{\alpha }^T\mathrm{H\alpha }-I{\alpha }^T=\frac{1}{2}\underset{i,j=1}{\overset{n}{\Sigma }}{\alpha }_i{\alpha }_j{y}_i{y}_{j}K(x_i,x_j)-\underset{i=1}{\overset{n}{\Sigma }}{\alpha }_i---\left(8\right);$式中，H是元素为y_iy_jK(x_i,x_j)的矩阵，K(·)为核函数，采用高斯核函数$K(x_i,x_j)=\exp \left(\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\sigma }^2}\right),$σ为高斯核宽度；各特征的重要性根据其对该代价函数的贡献值即排序代价分数来评判；对于非线性核，为降低消去第h个特征的代价函数计算量，假定α的值保持不变而只重新计算矩阵H，则每个函数的代价分数为：$\mathrm{DJ}\left(i\right)=\frac{1}{2}{\alpha }^T\mathrm{H\alpha }-\frac{1}{2}{\alpha }^{T}H(-i)\alpha ---\left(9\right);$步骤6寻找最小代价分数特征：f＝argmin(c)；步骤7，更新特征排序向量：r＝[s(f),r]；步骤8，消去得到最小代价分数的特征：s＝s(1:f‑1,f+1:length(s))；步骤9，返回步骤3，重复循环，直到s为空集；步骤10，输出优化后的XLPE电缆局部放电信号的特征向量集合。