论文部分内容阅读
核极限学习机（kernel-based extreme learning machine，KELM）在分类性能方面优于支持向量机（SVM），但仍存在参数敏感性的缺陷。针对这一缺陷，提出一种结合K 折交叉验证（k-fold cross validation，K-CV）与粒子群优化（particle swarm optimization，PSO）的KELM分类器参数优化方法，将CV训练所得多个模型的平均准确率作为PSO的适应度评价函数，为KELM的参数优化提供评价标准。将该方法应用于变压器故障诊断中，充分利用