当前位置：文档之家 › 基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究_肖剑

基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究_肖剑

  • 格式：pdf
  • 大小：695.23 KB
  • 文档页数：7

下载文档原格式

  / 7

合集下载

肖志怀

肖志怀

他的成就
• “大型水轮发电机组状态监测及故障诊断理论与应用研究”，获2003年湖 北省科技进步二等奖 承担的主要科研任务 （1）“基于多小波与贝叶斯网络的水电机组故障诊断研究” 2014.1~2017.12，国家自然科学基金，项目编号：51379160，80万元 。 （2）“风电场与抽水蓄能电站联合运行系统建模及控制策略研究”， 2014.1~2016.12，国家博士点基金（优先发展领域），项目编号： 20130141130001，40万元。 （3）“基于知识网络的机组远程协同诊断理论与方法”， 2010.1~2012.12国家自然科学基金，项目编号：E0704-51077102， 30万元。 （4）“风电场短期风功率预测方法研究”，2011.12~2013.10，湖北省自 然科学基金重点项目，项目编号：2011CDA046，10万元。 （5）“大型泵机组全方位在线监测与诊断系统”，2013.6~2015.10，国 家“948”项目，项目编号：201321，90万元。 （6）RFD流体输送系统工程应用技术研究 (先进压水堆核电站科技重大专 项)，2010.10 ~ 2012.3,中国核电工程有限公司，项目编号： 2008ZX06203－006，50万 （7）“泵站机组状态监测与故障诊断系统研究”， 2011.10 ~ 2012.12， 湖北省水利厅重点科技项目，项目编号：HBSLKJHT2011-10，10万元
自我评价
• 受教育经历 1987年9月～1991年7月，原武汉水利电力大学，水能动力工 程系，学士 1991年9月～1994年4月，原武汉水利电力大学，水能动力工 程系，硕士 2000年9月～2004年6月，华中科技大学，水电与数字化工厂 学院，博士 • 工作经历 1994年4月～1997年4月，原武汉水利电力大学水动系， 助 教 1997年4月～2002年12月，武汉大学动力与机械学院，讲师 2002年12月～今，武汉大学动力与机械学院，副教授 2008年1月～2008年12月，加拿大卡尔加里大学电气工程学 院，访问学者

基于蜜蜂算法的支持向量机特征选择和参数优化

基于蜜蜂算法的支持向量机特征选择和参数优化

基于蜜蜂算法的支持向量机特征选择和参数优化
陈渊;马宏伟
【期刊名称】《组合机床与自动化加工技术》
【年(卷),期】2013(000)011
【摘要】针对支持向量机训练过程中特征选择和参数优化的问题,提出了一种基于蜜蜂算法的支持向量机特征选择和参数优化算法,并将其应用于焊接缺陷的自动分类.该算法采用分类正确率作为适应度,利用蜜蜂算法对支持向量机的模型参数进行优化,并同时选择最佳的特征子集.UCI标准数据集和焊接缺陷的分类实验结果表明,与常规支持向量机相比,蜜蜂算法优化的支持向量机能够克服局部最优解,获得了更高的分类正确率.因此,论文算法对于焊接缺陷的分类是有效可行的.
【总页数】4页(P41-43,54)
【作者】陈渊;马宏伟
【作者单位】西安科技大学理学院,西安 710054;西安科技大学机械工程学院,西安710054
【正文语种】中文
【中图分类】TH16;TG659
【相关文献】
1.基于支持向量机和遗传算法的水下目标特征选择算法 [J], 杨宏晖;孙进才;袁骏
2.基于人工免疫算法的最小二乘支持向量机参数优化算法 [J], 杨福刚
3.基于禁忌蝙蝠算法的支持向量机特征选择和参数优化 [J], 刘天健
4.玉米籽粒的特征选择算法——基于支持向量机与遗传算法 [J], 程洪;李江涛;史智兴;尹辉娟;马丽
5.基于特征选择与遗传算法改进的支持向量机入侵检测方法 [J], 张小琴
因版权原因，仅展示原文概要，查看原文内容请购买。

基于混沌机制的人工蜂群算法优化的支持向量机分类器

基于混沌机制的人工蜂群算法优化的支持向量机分类器

基于混沌机制的人工蜂群算法优化的支持向量机分类器作者：刘霞张姗姗胡铭鉴庞永贵来源：《计算技术与自动化》2015年第02期（1.2.;东北石油大学;电气信息工程学院，黑龙江;大庆163318;3.;新疆石油勘探设计研究院，新疆;克拉玛依;834000;4.;大庆物探一公司，黑龙江;大庆;163357）摘要：支持向量机的分类性能在很大程度上取决于其相关参数的选择，为了改善支持向量机的分类准确率，本文采用基于混沌机制的人工蜂群算法对其参数进行优化。

在传统人工蜂群算法的基础上，采用Logistic混沌映射初始化种群和锦标赛选择策略，进一步提高人工蜂群算法的收敛速度和寻优精度。

该方法采用分类准确率作为适应度函数，利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。

通过对多个标准数据集的分类测试，证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。

关键字：人工蜂群算法，支持向量机，参数优化，混沌机制，锦标赛选择策略中图分类号：TP311;文献标识码：A;;文章编号：黑龙江省长江学者后备计划（2012CJHB005）Artificial;colony;algorithm;based;on;chaotic;mechanism;optimization;of;support;vector;machine; classifierLIU;Xia1，ZHANG;Shan-shan2，HU;Ming-jian3，PANG;Yong-gui4（1.2.Northeast;Petroleum;University;Electrical;information;engineering;institute，Heilongjiang;Daqing;163318;3.Xinjiang;Design;Institute，China;Petroleum;Engineering，Xinjiang;Karamay;834000;4.Daqing;Gepphysical;Exploration;Company;of;NO.1，Heilongjiang;Daqing;163357）Abstract：;The;classification;performance;of;support;vector;machine;（SVM）;to;a;large;extent;depends;on;the;selection;of;its;parameters，;in;order;to;improve;the;class ification;accuracy;of;support;vector;machine;（SVM），;using;Artificial;bee;colony;algorithm;based;on;chaotic;mechanism;to;optimize;the;para meters;in;this;paper.;On;the;basis;of;the;traditional;artificial;colony;algorithm，;using;the;Logistic;ch aotic;mapping;initialization;population;and;tournament;selection;strategy，;further;improve;the;artifi cial;colony;algorithm;convergence;speed;and;optimization;precision.The;method;adopts;the;classification;accuracy;as;fitness;function，;using;artificial;colony;algorithm;of;support;vector;machine;（SVM）;penalty;factor;and;the;kernel;function;parameter;optimization.;By;standard;data;sets;with;t he;classification;of;the;test，;prove;that;artificial;colony;algorithm;based;on;chaotic;mechanism;opti mization;of;support;vector;machine;classifier;can;achieve;higher;classification;accuracy.Keywords：;Artificial;colony;algorithm，;Support;vector;machine;（SVM），;parameters;optimization，;Chaotic;mechanism，;Tournament;selection;strategy1;引言支持向量机（Support;Vector;Machines，;SVM）是以统计学习理论为基础，针对有限样本的一种通用学习方法，能有效解决小样本、高维数、非线性等问题[1-3]。

基于人工蜂群支持向量机的模拟电路故障诊断

基于人工蜂群支持向量机的模拟电路故障诊断

基于人工蜂群支持向量机的模拟电路故障诊断曾涛;赵岚【摘要】支持向量机因其良好分类能力被广泛应用于故障诊断中,但是它的核参数对其分类性能有较大影响,因此针对支持向量机参数选择问题,人工蜂群算法被用于搜索最优的支持向量机参数.首先对核参数进行浮点数编码,之后利用人工蜂群的全局优化特性实现核参数的最优化.利用UCI数据库中的数据对提出的方法进行了仿真验证,证明了其可行性,最终将其应用于模拟电路故障诊断中,利用ITC97中的标准电路进行仿真验证,表明方法的有效性.【期刊名称】《电力科学与工程》【年(卷),期】2013(029)008【总页数】5页(P16-20)【关键词】人工蜂群;支持向量机;核参数优化;模拟电路;故障诊断【作者】曾涛;赵岚【作者单位】燕山大学信息化处,河北秦皇岛066004;秦皇岛职业技术学院机电工程系,河北秦皇岛066004【正文语种】中文【中图分类】TM4060 引言20世纪90年代，Vapnik等在统计学习理论(SLT)的基础上提出一种新型机器学习方法——支持向量机 (Support Vector Machine，SVM)。

与神经网络等学习方法相比，支持向量机基于结构风险最小化原则，具有小样本学习、泛化能力强等特点，能有效地避免过学习、局部极小点以及“维数灾难”等问题[1，2]。

目前，SVM 的实用算法研究、设计和实现都已取得了丰硕的成果，并且广泛应用于故障诊断、数据挖掘、文本识别[3]等领域。

但是支持向量机的参数选择决定了其学习性能和泛化能力，由于在参数的选择范围内可选择的数量是无穷的，在多个参数中盲目搜索最优参数是需要极大的时间代价，并且很难逼近最优。

针对支持向量机的参数选择问题，很多学者进行了大量的研究，文献[4]在分析了几种评估SVM性能的方法之后，利用梯度下降法对SVM参数进行优化，取得了较好的效果，但是梯度下降法容易陷入局部极小值。

文献[5]利用Bootstrap方法建立的支持向量机的评估函数，利用模拟退火算法对参数进行了优化。

基于蜜蜂进化遗传算法优化SVM的超短期风电功率预测

基于蜜蜂进化遗传算法优化SVM的超短期风电功率预测

基于蜜蜂进化遗传算法优化SVM的超短期风电功率预测代江;汪明清;田年杰;赵倩;马晶晶
【期刊名称】《贵州电力技术》
【年(卷),期】2017(20)6
【摘要】提出了基于蜜蜂进化型遗传算法优化支持向量机(SVM)的超短期风电功率预测方法.针对遗传算法在优化支持向量机参数存在的早熟问题,提出了将蜜蜂进化型遗传算法应用于优化支持向量机参数,提高了搜索效率.通过某风电场预测数据进行对比实验,验证了该方法可以有效提高预测准确率和精度.
【总页数】4页(P23-26)
【作者】代江;汪明清;田年杰;赵倩;马晶晶
【作者单位】贵州电网有限责任公司电力调度控制中心,贵州贵阳550000;贵州电网有限责任公司电力调度控制中心,贵州贵阳550000;贵州电网有限责任公司电力调度控制中心,贵州贵阳550000;贵州电网有限责任公司电力调度控制中心,贵州贵阳550000;国网河北省电力公司保定供电分公司,河北保定071000
【正文语种】中文
【中图分类】TM774
【相关文献】
1.基于遗传算法优化LS-SVM的短期电力负荷预测研究 [J], 张政国;吴延增
2.粒式搜索者算法优化的SVM短期风电功率预测 [J], 林凯;陈国初
3.基于改进骨干差分进化算法优化LSSVM的短期光伏发电功率预测 [J], 张涛;朱
瑞金;扎西顿珠
4.基于改进粒子群算法优化BP网络的短期风电功率预测 [J], 王宽;李萍;汤航;尚佳炜
5.基于改进BBO算法优化KELM的短期风电功率预测 [J], 任瑞琪
因版权原因，仅展示原文概要，查看原文内容请购买。

基于人工蜂群算法的协同优化方法研究

基于人工蜂群算法的协同优化方法研究

求 解 的 约 束 集 和 学 科 分 析 工 具 ，独 立 地 进 行 本 学 科 计 算 模 优 化 过程 中 涉及 到的 变 量 的数 目。雇 佣蜂 计 算出 每 个初 始 蜜
型的 完 善 工作 ，而系 统 设 计 的 全局 约 束 和 优 化的目 标函 数 则 源 的 大 小 旧 标函 数 ）、适 应 度 。根 据 公式 （１）在 初 始 蜜 源附
相容一致性约束下寻求系统目标函数的最优解 ，学科级优化 如下公式进行位 置的计算 ：
①作者简介：陈晖敏 （１９８８一 ），男，汉，江苏如东人，硕士，助理工程师 ，研究方向：民用飞机通信系统。
问题 ，飞行 器的 总体设 计涉及到气 动、结 构 、动力、控制 等 致 性 约束 的 最 小值 。
诸 多 学 科 ，各 学 科自 身 已 形 成 完 整 的 知 识 体 系 ，学 科 间 的
运 用 协同 优 化 方 法 解 决 多学 科设 计 优 化 问题 时 ，为了保
相 互 耦 合 又 进 一 步 增 加 了 复 杂 度 …。如 果 将 所 有 学 科 知 识 证优化算法的可靠性 ，要选用解决非线性能力强且对梯度的
都 集中于一 个优化 过 程 ，优化 问题将过 于繁杂 】。为解 决 依 赖 性弱 的 优化 方 法 ，不 需要 梯度 信息 的随 机 搜 索算 法 如果
这一 困 难 ，Ｓｏｂｉｅｓｋｉ Ｊ．和 Ｋｒｏｏ Ｉ．等 陆 续 提 出了一 些 对 能 够 保证 计 算效 率 将 是 比 较 理想 的 选 择 。在 此 ，选 用基 于外
算法 ，通过模 拟蜂群采蜜 过程中体 现出的智能行为来实现 现【８Ｊｏ

对 问题 的 求 解 Ｊ。
２．１ 算法 原 理 及模 型

基于蜜蜂进化型粒子群算法的电力系统无功优化

基于蜜蜂进化型粒子群算法的电力系统无功优化
刘伟;梁新兰;安晓龙
【期刊名称】《电力系统保护与控制》
【年(卷),期】2010(038)007
【摘要】为了提高电能质量,降低网损,采用蜜蜂进化机制与粒子群算法相结合的蜜蜂进化型粒子群算法(Bee Evolution Modifying Particle Swarm Optimization, BEMPSO),对电力系统的无功优化问题进行求解.改进后的算法能够克服传统粒子群算法的收敛精度低,易陷入局部最优解的缺点.应用改进算法对IEEE6、30节点标准电网进行无功优化计算,并与其它优化算法相比较,结果证明BEMPSO算法具有较好的全局寻优能力,验证了该算法的正确性和有效性.
【总页数】6页(P16-21)
【作者】刘伟;梁新兰;安晓龙
【作者单位】大庆石油学院电气信息工程学院,黑龙江,大庆,163318;大庆石油学院电气信息工程学院,黑龙江,大庆,163318;海洋石油工程股份有限公司设计公司,天津300451
【正文语种】中文
【中图分类】TM714
【相关文献】
1.基于改进蜜蜂进化型遗传算法的电力系统无功优化 [J], 林虹江;周步祥;杨昶宇;冉伊;詹长杰
2.基于蜜蜂双种群进化型云自适应遗传算法的电力系统多目标无功优化 [J], 周海忠;周步祥;何春渝;周岐杰;彭章刚;王精卫
3.基于差分进化混合粒子群算法的电力系统无功优化 [J], 郭康;相志军;徐玉琴;张丽;岳建房
4.基于动态云进化粒子群算法的风电系统无功优化方法 [J], 王希;王昕;李立学;郑益慧;徐清山
5.基于蜜蜂进化型遗传算法的电力系统无功优化 [J], 杨晨;宗晓萍
因版权原因，仅展示原文概要，查看原文内容请购买。

基于混合量子粒子群算法的DFIG参数辨识

基于混合量子粒子群算法的DFIG参数辨识
蒋莹莹;纪志成
【期刊名称】《系统仿真学报》
【年(卷),期】2016(28)5
【摘要】为了确保双馈感应发电机(Doubly Fed Induction Generator,DFIG)参数的准确性,提高发电机的控制性能,提出了基于混合量子粒子群算法的参数辨识方法。

在dq坐标系下建立了DFIG参数辨识的模型。

对量子粒子群算法进行改进并与模拟退火算法进行混合,得到混合量子粒子群辨识算法。

在Matlab/Simulink中将所提出的混合算法用于DFIG的参数辨识,并与粒子群算法、量子粒子群算法和改进
量子粒子群算法进行了对比验证。

仿真结果表明所提出的算法能提高定子电阻、定子电感、转子电阻、转子电感以及定转子互感五个参数的辨识精度。

【总页数】9页(P1054-1062)
【作者】蒋莹莹;纪志成
【作者单位】江南大学轻工过程先进控制教育部重点实验室
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于混沌与量子粒子群算法相结合的负荷模型参数辨识研究
2.基于改进的量子粒子群算法的脱硝系统线性参数变化模型辨识
3.基于云模型的混合粒子群算法的统
一混沌系统时变参数辨识4.基于变异机制的混合粒子群算法在永磁同步电机多参数辨识中的研究5.基于量子粒子群算法的混杂系统参数辨识
因版权原因，仅展示原文概要，查看原文内容请购买。

基于蚁群算法的支持向量机参数优化

基于蚁群算法的支持向量机参数优化
张培林;钱林方;曹建军;任国全
【期刊名称】《南京理工大学学报（自然科学版）》
【年(卷),期】2009(033)004
【摘要】针对支持向量机的参数对分类性能的影响,探讨了基于蚁群算法的支持向量机参数优化方法,建立了支持向量机参数优化模型,给出了基于网格划分策略的连续蚁群算法,并将其用于优化模型求解,通过对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优.通过仿真和应用实例,验证了方法的有效性,得到了95%以上的分类正确率.
【总页数】5页(P464-468)
【作者】张培林;钱林方;曹建军;任国全
【作者单位】南京理工大学机械工程学院,江苏,南京,210094;军械工程学院火炮工程系,河北,石家庄,050003;南京理工大学机械工程学院,江苏,南京,210094;军械工程学院火炮工程系,河北,石家庄,050003;军械工程学院火炮工程系,河北,石家
庄,050003
【正文语种】中文
【中图分类】TH113.1;TK411
【相关文献】
1.基于改进蚁群算法优化的模糊支持向量机的网络入侵检测技术探究 [J], 崔玉礼
2.基于支持向量机与连续蚁群算法建立的\r煤矿企业安全投入模型研究 [J], 李振;
曹庆贵;杨涛
3.基于蚁群算法的支持向量机室内蓝牙标定定位 [J], 吴璇; 薛峰; 余敏
4.基于支持向量机和改进蚁群算法的移动机器人路径规划 [J], 张劲波;左韬;胡新宇;伍一维
5.基于支持向量机-蚁群算法的电气化铁路牵引负荷参数辨识 [J], 应宜辰;吴命利;杨少兵;刘秋降
因版权原因，仅展示原文概要，查看原文内容请购买。

基于人工蜂群算法的支持向量机优化

Ａ ｒ ｉ ｃａ ｅＣｏ ｏ ｇ ｉｈｍ ｔｆ ｉ ｌ ｉ Ｂｅ ｌ ｎｙＡｌ ｏｒｔ
ＬＩ Ｌｕ ． Ｗ ＡＮＧ ｉｙ ｇ ， Ｕ Ｔａ — ｏｎ
（． ｃｏ ｌ ｆ ｒｃｓ ｎＩｓ ｕ ｎ ｄＯ ｔ—ｌｃ ｏ ｉｓ ｎ ｉｅｒ ｇ ｉ ｊ ｉｅｓｙ ｉ ｊ ０ ０ ２ ｈｎ ； １Ｓ ｈ ｏ ｅｉ ｏ ｔ ｍｅｔ ｎ ｐｏＥｅｔ ｎｃ ｇｎ ｅｉ ，Ｔａ ｉ Ｕｎｖｒｉ ，Ｔａ ｉ ３ ０ ７ ，Ｃ ｉａ ｏＰ ｉ ｎｒ ａ ｒ Ｅ ｎ ｎｎ ｔ ｎｎ
第４ ４卷 第 ９ 期 ２ １ 年 ９月 ０１
天
津
大
学
学
报
Ｖｌ ．４ Ｎ ｏ． ０ ４ １ ９ Ｓｅ ２ ｐ． ０１１
Ｊ ｕ ｎ ｌ ｆ ｉｎｉ ｎｖ ｒｉ ｏ ｒ ａ ｏ ａ ｊ Ｕ ｉｅｓ ｙ Ｔ ｎ ｔ
基 于人工蜂群算 法的支持 向量机优化
刘 路 ，王太 勇
（． １ 天津 大学精密仪器 与光电子 工程 学院 ，天津 ３ ０ ７ ；２ ０ ０ ２ ．天津大学机械工程学院 ，天津 ３ ０ ７ ） ００２ 摘 要： 支持 向量机 的分类性能在很大程度上取 决于其相关参数的选择 ，针 对该 问题提 出基 于人 工蜂群 算法的支持
２ Ｓ ｈ ｏ ｏ Ｍｅｈｎｃｌ ｎ ｉｅｒ ｇ ｉ ｊ ｉｅｓｙ ｉ ｊ ０ ０ ２ ｈ ａ ． ｃｏ ｌ ｆ ｃ ａｉａＥ ｇｎ ｅｉ ，Ｔａ ｉ Ｕｎｖｒｉ ，Ｔａ ｉ ３ ０ ７ ，Ｃ ｉ ） ｎ ｎｎ ｔ ｎｎ ｎ
Ａｂ ｔ ａ ｔ ｓ ｒ ｃ ：Ａ ｌ ｓ ｉ ｃ ｔ ｎ ｐ ｒｏ ｍ ａ ｃ ｆｓ ｐ ｏ ｅ ｔ ｒｍ ａ ｈ ｎ ｓｌｒ ｅ ｙ ｄ ｐ ｎ ｅ ｔｏ ｅ ｃ ｏ ｃ ｆｉ ａ ａ ｔ ｒ ． ｃ ａ ｓ ｆ ａ ｉ ｅ ｆ ｒ ｎ ｅｏ ｐ ｒ ｖ ｃ ｏ ｃ ｉ ｅ ｉ ａ ｇ ｌ ｅ ｅ ｄ ｎ ｎ ｔ ｈ ｉ ｅ ｏ ｓｐ ｒ ｍｅ ｅ ｓ ｉ ｏ ｕ ｔ ｈ ｔ Ａ ａ ａ ｔ ｒ ｏ ｔ ｉ ａ ｉ ｎ ｍｅ ｈ ｄ ｂ ｓ ｄ ｏ ｒｉ ｃ ａ ｅ ｏ ｏ ｙ ａ ｇ ｒｔ ｍ ｓ ｐ ｏ ｏ ｅ ｏ ｓ ｌ ｅ ｔ ｉ ｒ ｂ ｅ ａ ｄ ａ — ｐ ｒ ｍｅ ｅ ｐ ｉ ｚ ｔ ｔ ｏ ａ ｅ ｎ ａ ｔｆ ｉ ｌｂ ｅ ｃ ｌ ｎ ｌ ｏ ｉ ｍ ｏ ｉ ｈ ｉ ｒ ｐ ｓ ｄ ｔ ｏ ｖ ｈ ｓｐ ｏ ｌ ｍ ｎ ｐ
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Identification of shaft orbit of hydropower unit by simultaneous optimization of feature parameters and support vector machine based on hybrid artificial bee colony
0 引言
随着我国电力能源的日趋紧缺及用电规模的 逐渐扩大，水电机组的安全运行对保障电网稳定则
基金项目：国家自然科学基金项目(51079057，51039005， 51109088)
显得更加重要。如何能够捕捉到机组的特征信息， 进行自动化、智能化的在线诊断，及时准确地发现 水电机组的潜在故障，从而能够合理地安排机组检 修计划，缩短检修周期，提高经济效益，是一项非 常具有现实意义和迫切性的工作[1]。 在水电机组故障所呈现的各项征兆当中，轴心 轨迹以其能够直观地反映机组转轴性状等优点，成
（华中科技大学水电与数字化工程学院，湖北 武汉 430074） 摘要：在水电机组轴心轨迹识别研究中，为解决传统支持向量机方法中特征参数无法自适应选择而导致分类性能不高、计算 时间过长等问题，提出混合人工蜜蜂群算法特征参数同步优化支持向量机（HABC-SVM）的轴心轨迹识别方法。将人工蜜蜂群 算法引入到支持向量机识别优化模型的求解中，对人工蜜蜂群从搜索策略、蜜源编码、更新策略等方面进行了改进。通过仿 真试验获取水电机组的四类典型轴心轨迹样本，对轴心轨迹中提取的 19 种特征参数和支持向量机参数进行了同步优化，将 改进 HABC 算法与 PSO-SVM 算法和 GA-SVM 算法进行了对比。研究结果表明 HABC-SVM 具有良好的自适应性和分类精度，可以 同步获取支持向量机参数和特征子集的最优解，增强分类器的性能，提高轴心轨迹模式识别的准确率，对水电机组的故障诊 断工程应用有一定的指导意义。 关键词：混合蜂群算法；轴心轨迹识别；支持向量机；特征选择；参数优化
- 28 -
电力系统保护与控制
Pi

fiti
SN n 1
fitn
（4）
式中：WMER 为最小外接矩形的宽；LMER 为最小外 接矩形的长。
式中： fiti 为第 i 个解的适应度；Pi 为第 i 个解被选 择的概率。 1.2.3 侦查蜂阶段 侦查蜂机制是 ABC 算法的最差可行解的处理 机制，经过指定的 N 次循环后，侦查蜂负责寻找到 最差食物源 xi，将该位置对应的解放弃，同时搜索 新的食物源，其更新公式如式（5）所示。
vij xij ij ( xij xkj )
（3）
式中：φij 为[-1,1]之间的随机数；k 是随机选择的下 标，并满足 k ≠ i。 1.2.2 观察蜂阶段 观察蜂机制为 ABC 的主要选择方法，通过从 采蜜蜂阶段花蜜量信息，以“轮盘赌”的方式对蜜 源位置进行选择，并采用贪婪原则对其记忆中蜜源 位置做出改变，其选择蜜源位置的概率公式为
肖 剑，等
基于混合蜂群算法特征参数同步优化支持向量机的水电机组轴心轨迹识别方法研究
- 27 -
为水电机组故障诊断工作中最为重要的辅助手段之 一[2]，随着我国水电机组在线监测系统的普及和状 态检修事业的不断开展，自动地捕捉轴心轨迹承载 的故障信息，准确地对水电机组的运行状态进行识 别，是当前水电机组故障诊断研究的热点方向之 一[3]。 轴心轨迹往往通过图像识别的方法，进行判 断，常用特征提取的方法有 HU 式不变矩[4-5]，仿射 不变矩[6]，傅里叶描绘子[7-8]，小波分析[9]等。在二 值化图像基础上提取相应特征， 作为分类器的输入， 最终进行轴心轨迹的形状识别。在众多分类器中， 支持向量机（Support Vector Machine，SVM）以其 小样本、结构简单、泛化能力强等优点在水电机组 轴心轨迹识别中得到了广泛应用，但仍然存在着几 点缺陷， （1） SVM 的核函数的类型及参数的选择对 其分类性能起至关重要的影响，如何自适应选取其 全局最优参数是识别的关键； （2）由于轴心轨迹特 征提取方法多样从而使训练数据集规模过大，直接 导致 SVM 的计算复杂度的增长，并产生冗余特征， 大大影响了现场轴心轨迹的分类时间和效果。 因此， 如何选择最优参数及特征子集，是当前提高轴心轨 迹识别效果的关键。 针对上述问题，文献[10-12]对支持向量机的模 型参数和特征子集的自适应优选展开了研究，但其 成果往往忽视了 SVM 模型参数与特征子集之间的 关联性，从而无法获取到 SVM 的全局最优分类效 果。近年来，一些学者引入智能优化方法，如GA、 PSO对SVM的特征参数进行同步优化[13-15]，使SVM 获得了一定程度上的提高， 但是GA算法本身较为复 杂，计算时间较长，PSO算法则容易陷入局部最优 而导致寻优效率下降，皆难以获取全局最优的参数 和特征子集。 人工蜜蜂群算法（Artificial Bee Colony，ABC） 是一种新型的智能优化方法, 它在很多优化问题中 都表现出优于 GA 和 PSO 等算法的性能[16]， 但传统 ABC 算法只能解决连续优化问题， 从而无法适应于 特征选取问题的求解，同时未能很好地利用全局最 优信息，导致一定程度上的早熟现象。针对上述问 题，本文提出了一种混合人工蜜蜂群算法（Hybrid Artificial Bee Colony， HABC） 特征参数同步优化支 持向量机的轴心轨迹识别方法，该方法采用连续 离散的混合编码方式，克服了原始 ABC 算法无法 求解离散优化问题的缺陷，同时引入全局最优信息 来改进人工蜜蜂群算法的搜索策略，从而对轴心轨 迹识别计算的支持向量机模型参数和特征子集进行 了全局同步优化，获取轴心轨迹最优分类模型。通
第 41 卷 第 21 期 2013 年 11 月 1 日
Power System Protection anNov.1, 2013
基于混合蜂群算法特征参数同步优化支持向量机的水电机组 轴心轨迹识别方法研究
肖 剑，周建中，李超顺，王常青，张孝远，肖 汉
XIAO Jian, ZHOU Jian-zhong, LI Chao-shun, WANG Chang-qing, ZHANG Xiao-yuan, XIAO Han (School of Hydropower and Information Engineering, Huazhong University of Science and Technology, Wuhan 430074, China) Abstract: In the research of identification of shaft orbit of hydropower generating unit, the selection of feature parameter in traditional SVM system is not adaptive, which results in lower classification performance and long computation time. Aiming at the problems above, this paper proposes a novel method to identify the shaft orbit based on HABC-SVM. Artificial bee colony is introduced to the solution of SVM identification optimal model, and the search strategy, food source and update equation of artificial bee swarm are improved. Through the simulation experiment, four typical samples of shaft orbit of hydraulic turbines are obtained, the 19 kinds of feature parameters extracted from shaft orbit and parameters of SVM are optimized synchronously, and the improved HABC algorithm is compared with PSO-SVM algorithm and GA-SVM algorithm. The results show that HABC-SVM has good adaptability and classification accuracy, can acquire the optimal solutions of SVM parameters and feature subset synchronously, enhance the performance of classifier, and improve the precision of identification of shaft orbit, which has some guidance significance to fault diagnosis of hydropower generating unit. This work is supported by National Natural Science Foundation of China (No. 51079057, No. 51039005 and No. 51109088). Key words: hybrid artificial bee colony; identification of shaft orbit; support vector machine; feature selection; parameter optimization 中图分类号： TM311；TP18 文献标识码：A 文章编号： 1674-3415(2013)21-0026-07
max Q(a ) ai
i 1 l