期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于IFCM+HOG+SVM的变电站设备识别分类及故障诊断技术研究
1
作者 王泽众 杨莉萍 +2 位作者 陈茜 席少卿 韩蓬 《微型电脑应用》 2025年第9期109-112,共4页
为了提高变电站设备故障监测和诊断效率,提出利用FLIR E75红外热像仪对变电站设备进行监测,并基于直觉模糊c均值聚类(IFCM)+方向梯度直方图(HOG)+支持向量机(SVM)对设备进行识别分类和故障诊断。结果表明:基于改进IFCM算法可有效解决红... 为了提高变电站设备故障监测和诊断效率,提出利用FLIR E75红外热像仪对变电站设备进行监测,并基于直觉模糊c均值聚类(IFCM)+方向梯度直方图(HOG)+支持向量机(SVM)对设备进行识别分类和故障诊断。结果表明:基于改进IFCM算法可有效解决红外图像存在明显的不均匀性和非高强度目标难以分割的问题,相较于模糊c均值聚类(FCM)算法,相对区域的平均错误率下降了58.8%;利用HOG+SVM对分割图像进行特征提取和识别分类,平均分类正确率达到96%;利用相对温差对设备故障进行分类,诊断结果与实际情况相符,表明提出的变电站设备识别分类及故障诊断技术合理可行。 展开更多
关键词 变电站设备 ifcm算法 HOG SVM 相对温差 识别分类 故障诊断
在线阅读 下载PDF
基于GA与IFCM聚类算法的入侵检测 被引量：2
2
作者 王亚男 叶蓓 雷英杰 《计算机工程》 CAS CSCD 2013年第9期170-173,177,共5页
针对直觉模糊c-均值(IFCM)聚类算法易陷入局部最优的问题,从适应度值标定和群体多样化2个方面对遗传算法(GA)进行优化,并将优化后的GA与IFCM算法相结合,提出一种改进的IFCM算法用于入侵检测。优化后的GA具有更优良的全局寻优特性,与IFC... 针对直觉模糊c-均值(IFCM)聚类算法易陷入局部最优的问题,从适应度值标定和群体多样化2个方面对遗传算法(GA)进行优化,并将优化后的GA与IFCM算法相结合,提出一种改进的IFCM算法用于入侵检测。优化后的GA具有更优良的全局寻优特性,与IFCM算法结合后,可避免算法陷入局部最优。在KDD CUP99数据集上的仿真结果表明,与IFCM算法相比,改进算法能有效提高聚类精度和检测效率。 展开更多
关键词 直觉模糊c-均值 聚类 局部最优值 遗传算法 全局寻优 入侵检测
在线阅读 下载PDF
基于IFCM算法的电动汽车群聚合调峰方法 被引量：3
3
作者 金永天 谢俊 +3 位作者 周翠玉 张金帅 徐铭铭 杨小莲 《高电压技术》 EI CAS CSCD 北大核心 2024年第7期3080-3089,I0016,I0017,共12页
通过规模迅速扩大的电动汽车缓解电网调峰压力成为一种可行措施,但电动汽车的无序充放电会带来反调峰现象和决策变量爆炸问题。针对上述问题,提出一种在不同出行链基础上、采用IFCM算法进行的聚类-调峰-任务分配模型,以提高调度模型精确... 通过规模迅速扩大的电动汽车缓解电网调峰压力成为一种可行措施,但电动汽车的无序充放电会带来反调峰现象和决策变量爆炸问题。针对上述问题,提出一种在不同出行链基础上、采用IFCM算法进行的聚类-调峰-任务分配模型,以提高调度模型精确度,解决大比例电动汽车并网参与调峰优化的问题。首先,采用改进模糊C均值(improved fuzzy C-means,IFCM)聚类算法对不同出行链下的电动汽车群时空特性进行聚类分析,减少决策变量数目;其次,以调控成本最小为目标,将聚类结果应用于电力系统的调峰,得到各个集群的充放电任务;最后建立个体任务分配模型,得到调度任务下最优的单个电动汽车充放电策略。算例分析表明,该模型使用IFCM算法提高聚类性能,有效降低了调峰的决策变量维数,在满足调峰需求的前提下保证了电网、用户的经济性。 展开更多
关键词 电动汽车群 电网调峰 优化调度 ifcm算法 个体任务分配
原文传递
基于迭代模糊聚类算法与K近邻和数据字典的集成TSK模糊分类器 被引量：19
4
作者 张雄涛 蒋云良 +2 位作者 潘兴广 胡文军 王士同 《电子与信息学报》 EI CSCD 北大核心 2020年第3期746-754,共9页
该文提出一种新型的集成TSK模糊分类器(IK-D-TSK),首先通过并行学习的方式组织所有0阶TSK模糊子分类器,然后每个子分类器的输出被扩充到原始(验证)输入空间,最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典,从而利... 该文提出一种新型的集成TSK模糊分类器(IK-D-TSK),首先通过并行学习的方式组织所有0阶TSK模糊子分类器,然后每个子分类器的输出被扩充到原始(验证)输入空间,最后通过提出的迭代模糊聚类算法(IFCM)作用在增强验证集上生成数据字典,从而利用KNN对测试数据进行快速预测。IK-D-TSK具有以下优点:在IK-DTSK中,每个0阶TSK子分类器的输出被扩充到原始入空间,以并行方式打开原始(验证)输入空间中存在的流形结构,根据堆栈泛化原理,可以保证提高分类精度;和传统TSK模糊分类器相比,IK-D-TSK以并行方式训练所有的子分类器,因此运行速度可以得到有效保证;由于IK-D-TSK是在以IFCM&KNN所获得的数据字典的基础上进行分类的,因此具有强鲁棒性。理论和实验验证了模糊分类器IK-D-TSK具有较高的分类性能、强鲁棒性和高可解释性。 展开更多
关键词 TSK模糊分类器 迭代模糊聚类算法 数据字典 可解释性
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部