核心詞：煤礦電纜 煤礦電纜型號 電纜型號 煤礦 電纜 型號 吊掛 標準化 冷 補 規定 載流量 計算 敷設 接線 標準 礦用 生產 廠家 礦用電纜 指向牌 的 懸掛 排名 
目錄：
1、煤礦電纜型號在模型訓練時間方面
2、電纜型號在相同的訓練樣本和測試條件下
3、煤礦電纜型號局部放電是電氣絕緣系統中的一種自然現象
4、煤礦電纜此外
　　圖3基于本文的識別算法流程圖,本文采用MATLAB進行編碼,煤礦電纜型號主要從兩個方面進行比較:特征、基于本文特征的識別精度、多重分形特征、單一分形特征;分別采用提出的AOS-ELM算法、OS-ELM算法、ELM算法、傳統SVM算法、BP神經網絡算法進行模式識別,電纜型號煤礦電纜型號并對識別結果進行統計分析。不同放電波形有不同的分形維數,但目前的文獻大多是基于灰度維數的計算。本文引入短時分形維數直接提取脈沖信號的特征,然后結合頻譜多重分析特征作為樣本訓練特征集。本文提出的基于特征結點的aOS-ELM平均識別率為98%。在實際工程應用中,會有大量的數據集,不可能一次性得到。因此,實驗室將收集300套數據,并將其分為3批樣本集。文獻中采用分形特征和支持向量機對GIS絕緣缺陷進行模式識別。基于PRPD灰度圖提取4個分形特征并導入SVM進行模型訓練。同時,加入正則項1/λ,煤礦電纜提高了在線學習的處理能力和算法的穩定性。譜的多重分形維數由公式、、、、、計算,電纜型號當Q=8時,正半軸和負半軸的分形維數變化趨于穩定時的值。
　　

煤礦電纜型號在模型訓練時間方面

　　而在模型訓練時間方面,aOS-ELM改進了OS-ELM中矩陣逆的計算方法,大大提高了訓練時間。
　　

電纜型號在相同的訓練樣本和測試條件下

　　在相同的訓練樣本和測試條件下,SVM和BPNN的訓練速度是ELM、OS-ELM和AOS-ELM的10000倍,而AOS-ELM是ELM和OS-HalfELM。
　　

煤礦電纜型號局部放電是電氣絕緣系統中的一種自然現象

　　局部放電是電氣絕緣系統中發生的一種自然現象,且包含復雜的形狀和表面,礦用電纜因此采用分形理論提取局部放電,煤礦電纜型號文獻中使用的局部放電頻譜圖均具有分形維數和孔隙特征,并提取特征輸入到神經網絡模型進行訓練。由圖4c)可以看出,AOS-ELM、OS-ELM、ELM、SVM和BPNN對氣隙放電的識別準確率分別為97%、96%、94%、85%和78%。本文考慮了脈沖本身的特性和頻譜的細節特征。從識別結果可以看出,煤礦電纜本文特征的識別率高于單一特征和多重分形特征。
　　

煤礦電纜此外

　　此外,本文還增加了現場采集的四種規律脈沖干擾作為缺陷識別樣本庫。若r=N0,煤礦電纜計算初始輸出權值矩陣;如果,電纜型號計算初始輸出權值矩陣,其中,,。局部發射光譜包含豐富的信息,因此經常從二維或三維光譜中提取局部發射特征,常用的特征提取方法有統計特征、分形特征、小波特征、矩特征等。

因此,本文提出的方法可以在保證識別率的同時,提高模型的訓練時間。缺陷類型識別的步驟和流程如圖3所示。假設我拿什么?小到足以覆蓋整個圖網格中包含的信號的點為N(網格中的信號點)。本文提出了基于PRPD譜的箱體維和信息維作為GIS放電缺陷模式識別的識別特征。電纜絕緣缺陷的形式多種多樣,不同類型的缺陷PD的形式也不同,煤礦電纜對設備安全運行的影響和絕緣的危害程度也是不同的。結合本文提出的特征,SVM的平均識別率為82%。為了使算法能夠有效區分新舊樣本數據,本文在模型訓練中選擇了改進的OS-ELM。該方法不僅能區分新舊樣本數據,而且提高了模型訓練時間,煤礦電纜型號有效地降低了求解逆矩陣的計算復雜度。目前,利用在線學習方法對電力設備局部放電進行識別的研究較少,因此本文提出的方法對電力設備局部放電缺陷分類具有重要的指導意義。