基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.     

少量已知历史数据下的电能质量复合扰动识别方法

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,本文提出了一种基于混合流形正则化半监督极限学习机（Laplacian Hessian Semi-supervised-Extreme Learning Machine,LHSS-ELM）的复合扰动识别方法。该方法通过图拉普拉斯正则化和海森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,表明该方法是一种有效的复合扰动识别方法。