基于极限学习机的高压输电线路障碍物识别方法

来源 :电子设计工程 | 被引量 : 0次 | 上传用户:huoshu
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对高压线路障碍物识别模型精度较低和稳定性较差等问题,提出一种基于改进狮群算法优化的多核极限学习机(ILSO-MKELM)的障碍物识别方法.通过混沌、差分和模拟退火算法对原狮群算法(LSO)进行了改进.基于所提方法用高压线路上常见的数种障碍物图片数据建立识别模型,并与极限学习机(ELM)、KELM和LSO-MKELM建立的模型作对比.测试结果表明,该模型的总体正确率与标准差分别达到了0.94和0.014,优于其他方法所建立的模型.
其他文献
以往的数据关联规则提取方法的项集标记结果不全面.针对该问题,提出了基于机器学习的实时云数据关联规则提取方法,为数据运维分析奠定良好的基础.构建机器学习网络架构,利用无监督训练和调优两个步骤训练机器学习网络,由此构建任务调度模型,以最小化构建排队处理提取与运维任务.依据机器学习扫描原理寻找强项集,从强度集合中导出关联规则.在此基础上,描述关联规则运维流程,删除不符合最低支持度的项目集.实验结果表明,该方法获取的实例数据集与实际情况一致,说明其提取效果较好.
针对煤矿开采过程中的安全问题以及煤矿开采超前探测的研究,设计了一种应用于煤层超前探测的探地雷达系统.通过对SDR技术与FMCW的分析与研究,将两者相结合,设计实现了一种SDR探地雷达,采集天线数据后,利用软件对其回波完成处理.测试结果表明,其可分辨多个目标物体,并具有较好的分辨能力,可应用于煤矿开采中.同时也为探地雷达功能单一化、结构大、造价昂贵的问题提供了解决方案,确保了煤矿开采安全性的同时也提高了探测效率.