برق 69. یک مدل داده‌کاوی برای حفاظت خط انتقال مبتنی بر ادوات FACTS

خرید این محصول

» :: صفت 69. یک مدل داده‌کاوی از بهر حفاظت خط جابجایی مبتنی بر ادوات FACTS

یک الگو داده‌کاوی برای حفاظت الفبا انتقال مبتنی بر ادوات FACTS

چکیده- این نوشته یک الگو داده‌کاوی برای شناسائی ناحیه خطای یک خط انتقال مبتنی بر سیستم‌های انتقال ac انعطاف‌پذیر (FACTS) ارائه می‌کند که شامل جبرانساز سری کنترل‌شده با تریستور (TCSC) و کنترلر یکپارچه عبور توان (UPFC) است، و از مجموعه درختان تصمیم استفاده می‌کند. با تصادفی بودن مجموعه درختان تصمیم در مدل جنگل‌های تصادفی، تصمیم موثر برای شناسائی ناحیه اسم حاصل می‌شود. نمونه‌های روانی و ولتاژ نیم سیکل پس از لحظه وقوع اسم به عنوان بردار ورودی در برابر خروجی هدف "1" برای خطای پس از TCSC/UPFC و "1-" برای خطای قبل از TCSC/UPFC ، برای شناسائی ناحیه خطا به کار می‌رود. این الگوریتم چهر داده‌‌های خطای شبیه‌سازی شده با تغییرات پهن در پارامترهای عملکردی شبکه قدرت منجمله شرایط نویزی تست شده است و معیار قابلیت اطمینان 99% با پاسخ زمانی سریع بدست آمده است (سه چهارم سیکل پس از لحظه خطا). نتایج روش عرضه شده  به کمک مدل جنگل‌های تصادفی آرم دهنده تخیص قابل اعتماد ناحیه خطا در خطوط انتقال مبنی بر FACTS است.  

عبارات کلیدی- ایستگاه دیستانس، تشخیص ناحیه خطا، جنگل‌های تصادفی (RF ها)، ماشین حامل پایه (SVM)، جبرانسازی سری کنترل‌شده با تریستور (TCSC)، کنترلر یکپارچه عبور توان (UPFC).  

خرید این محصول

پایان نامه مقایسه روش SVM و شبکه عصبی در طبقه بندی تصاویر ماهواره ای چند طیفی

خرید این محصول

» :: پایان جریده مقایسه روش SVM و شبکه عصبی در طبقه بندی تصاویر ماهواره ای قید طیفی

تهیه نقشه های زمین شناسی توسط پرتره‌ها چندطیفی، با تدقیق به نزدیکی رفتار طیفی بسیاری از سنگها
می تواند امری بغرنج باشد. بنابراین در این بازجست روش ماشین بردار پشتیبان (SVM)، بعنوان یکی از چهره شهای طبقه بندی تصویر که قابلیت انعطاف مناسبی برای احوال جوراجور دارد مورد استعمال رسم گرفت و کرنلهای جوراجور آن با روش شبکه های عصبی (NNC) بمنظور تولید اطلس زمین شناسی و با مقادیر مختلف نمونه های تعلیمی و با توجه به برداشتهای زمینی و مطالعات آزمایشگاهی، مناسبت تحلیل و ارزیابی قرار گرفت. نتایج به سمت دست آمده نشان انصاف روش SVM در هر سه کرنل خویش توانسته است بیشترین دقت (83.42%) را نسبت به دو روش دیگر عرضه کند. همچنین روش SVM با  % 50 از داده های تعلیمی نیز می تواند به دقتی صفت استعمال از % 100 نمونه های تعلیمی برسد باب حالیکه روش NNC  چنین قابلیتی را از خویش نشان نداد. از طرفی ارزیابی نتایج حاصل از شاخص تفکیک پذیری جفریس- ماتوسیتا با نتایج امعان طبقه اسیر به روش SVM گویای این حقیقت است که این روش در داده های حرف تفکیک پذیری پایین تر بسیار کارآمد تر از روش NNC  مناسبت جدال بوده و بنابراین به تماشا می رسد این آیین برای تهیه نقشه زمین شناسی مناسب خیس از آیین NNC خواهد حیات .

خرید این محصول