基于残差注意力自适应去噪网络和Stacking集成学习的局部放电故障诊断AET-电子技术应用-最丰富的电子设计资源平台

基于残差注意力自适应去噪网络和Stacking集成学习的局部放电故障诊断
所属分类：技术论文
上传者：wwei
文档大小：5350 K
标签：气体绝缘开关柜局部放电 Stacking集成学习
所需积分：0分积分不够怎么办？
文档介绍：针对传统局部放电（Partial Discharge， PD）故障诊断方法在处理复杂含噪PD信号存在局限性并依赖于人工去噪和专家经验，难以学习到PD特征多样化表达等问题，分别提出残差注意力自适应去噪网络（Residual Attention Adaptive Denoising Network， RAADNet）和基于Stacking集成学习的PD故障诊断模型。RAADNet基于残差网络结构设计，通过集成CAM注意力机制和软阈值函数实现自适应去噪；Stacking集成模型的基学习器分别由基于卷积神经网络的RAADNet、基于多头自注意力机制的Transformer以及基于Boosting集成策略的XGBoost多个差异化模型共同构建构成。实验结果表明，提出的RAADNet优于其他先进方法，识别准确率达到93.99%，Stacking集成模型则通过学习多样化特征表达，进一步提高模型性能，达到96.79%识别准确率。
现在下载
VIP会员，AET专家下载不扣分；重复下载不扣分，本人上传资源不扣分。

活动