基于相关向量机的油浸式电力变压器故障诊断方法研究
|
摘要
基于DGA数据的电力变压器故障诊断方法能及时发现变压器潜在故障,可在变压器运行过程中进行故障分析,促进变压器从定期维修到状态维修的转变,提高变压器的运行维护水平,其研究具有重要的现实意义。本文在分析现有电力变压器故障诊断方法的特点及存在的问题的基础上,首次尝试将可有效解决小样本、高维、非线性分类问题的相关向量机应用于油浸式电力变压器故障诊断,探索基于DGA数据的电力变压器故障诊断的新方法。
提出了基于相关向量机的油浸式电力变压器故障诊断方法。采用二叉树方法建立了故障诊断模型,分析了特征变量及核函数的选取对诊断性能的影响,给出了诊断方法的具体实现过程。该诊断方法可以以概率的形式输出诊断结果；具有较快的诊断速度,非常适用于在线诊断；可有效解决小故障样本数据情况下的故障诊断问题。实例分析验证了该方法的诊断性能。
提出了基于M-RVM的变压器故障诊断方法。该诊断方法可以直接实现变压器多种状态的识别,输出变压器隶属于各种状态的概率,兼有RVM诊断方法的优点,同时克服了RVM方法因需将诊断转化为多个二分类,而造成的分类重叠和不可分类、需构建较多分类器以及误差累计等问题。实例验证了该诊断方法的有效性。
研究了组合核学习及组合核核参数优化方法。在此基础上,提出了基于组合核相关向量机的电力变压器故障诊断方法,以实现多检／监测数据或单一检/监测数据提取的多特征信息的融合诊断,提高故障诊断正确率。基于DGA数据的故障诊断实例验证了该融合诊断方法的有效性。
提出了基于贝叶斯风险理论的代价敏感相关向量机,并尝试将其应用于油浸式电力变压器故障诊断。该诊断方法将计及误诊代价差异的诊断思想引入电力变压器故障诊断,以损失代价最小为目标,以克服仅追求高诊断正确率不能完全反应实际诊断需要的问题。故障诊断实例分析表明,代价敏感相关向量机趋于提高高误诊代价类别的诊断正确率,诊断速度足以满足工程需求。
Fault diagnosis of power transformer based on Dissolved Gas Analysis (DGA) is a sensitive potential failure detection technique, which can be carried out while transformer is running. This method is of great important practical significance, which can promote the realization of condition maintenance from original regular maintenance, and improve the operation and maintenance level. Based on the analysis of the characteristics and shortcomings of the existing diagnosis methods, the relevance vector machine (RVM), which can solve the small-sample, high-dimensional, and non-linear classification problems, was firstly applied to the fault diagnosis of oil-immersed power transformer in this paper. A new way for DGA-based fault diagnosis is explored.
A RVM-based fault diagnosis model of oil-immersed power transformer was built by binary tree method. The affection of the feature variables and kernel functions on diagnostic performance was investigated, and the implementation procedure of fault diagnosis was provided in detail. The diagnosis model can provide probabilistic outputs, and is especially suitable for online diagnosis due to high diagnosis speed. It solved the diagnosis problem of lacking of sample data, and its diagnosis performances were validated by case studies.
A fault diagnosis method for oil-immersed power transformer based on multiclass RVM was proposed. This diagnosis method can directly implement multi-state identification and provide the probability of each state. It takes the advantage of original RVM which decomposes fault diagnosis into multiple binary classifications, and overcomes the disadvantages of classification overlap, classification failure, multiple-classifier need and error accumulation. The accuracy of this diagnosis method was validated by real-world diagnosis cases.
Combination kernel learning method, as well as kernel parameters optimization method was studied. On this basis, a fault diagnosis method of oil-immersed power transformer based on multi-kernel learning RVM was proposed. The method can integrate the feature information reflecting the operating state from different perspectives. DGA-based diagnosis cases verified the effectiveness of the integration method.
Cost-sensitive RVM (CS-RVM) based on Bayesian risk theory was proposed and applied to fault diagnosis of oil-immersed power transformer. The CS-RVM based diagnosis method introduced the idea of considering misdiagnosis cost to fault diagnosis, aiming to minimize misdiagnosis cost. It could overcome the problem of bringing no meaningful results for only pursuing high classification accuracy. Experimental results showed that CS-RVM diagnosis method tended to increase the diagnostic accuracy of high misdiagnosis cost category, and diagnosis speed was high enough to meet the engineering requirement.
提出了基于相关向量机的油浸式电力变压器故障诊断方法。采用二叉树方法建立了故障诊断模型,分析了特征变量及核函数的选取对诊断性能的影响,给出了诊断方法的具体实现过程。该诊断方法可以以概率的形式输出诊断结果；具有较快的诊断速度,非常适用于在线诊断；可有效解决小故障样本数据情况下的故障诊断问题。实例分析验证了该方法的诊断性能。
提出了基于M-RVM的变压器故障诊断方法。该诊断方法可以直接实现变压器多种状态的识别,输出变压器隶属于各种状态的概率,兼有RVM诊断方法的优点,同时克服了RVM方法因需将诊断转化为多个二分类,而造成的分类重叠和不可分类、需构建较多分类器以及误差累计等问题。实例验证了该诊断方法的有效性。
研究了组合核学习及组合核核参数优化方法。在此基础上,提出了基于组合核相关向量机的电力变压器故障诊断方法,以实现多检／监测数据或单一检/监测数据提取的多特征信息的融合诊断,提高故障诊断正确率。基于DGA数据的故障诊断实例验证了该融合诊断方法的有效性。
提出了基于贝叶斯风险理论的代价敏感相关向量机,并尝试将其应用于油浸式电力变压器故障诊断。该诊断方法将计及误诊代价差异的诊断思想引入电力变压器故障诊断,以损失代价最小为目标,以克服仅追求高诊断正确率不能完全反应实际诊断需要的问题。故障诊断实例分析表明,代价敏感相关向量机趋于提高高误诊代价类别的诊断正确率,诊断速度足以满足工程需求。
Fault diagnosis of power transformer based on Dissolved Gas Analysis (DGA) is a sensitive potential failure detection technique, which can be carried out while transformer is running. This method is of great important practical significance, which can promote the realization of condition maintenance from original regular maintenance, and improve the operation and maintenance level. Based on the analysis of the characteristics and shortcomings of the existing diagnosis methods, the relevance vector machine (RVM), which can solve the small-sample, high-dimensional, and non-linear classification problems, was firstly applied to the fault diagnosis of oil-immersed power transformer in this paper. A new way for DGA-based fault diagnosis is explored.
A RVM-based fault diagnosis model of oil-immersed power transformer was built by binary tree method. The affection of the feature variables and kernel functions on diagnostic performance was investigated, and the implementation procedure of fault diagnosis was provided in detail. The diagnosis model can provide probabilistic outputs, and is especially suitable for online diagnosis due to high diagnosis speed. It solved the diagnosis problem of lacking of sample data, and its diagnosis performances were validated by case studies.
A fault diagnosis method for oil-immersed power transformer based on multiclass RVM was proposed. This diagnosis method can directly implement multi-state identification and provide the probability of each state. It takes the advantage of original RVM which decomposes fault diagnosis into multiple binary classifications, and overcomes the disadvantages of classification overlap, classification failure, multiple-classifier need and error accumulation. The accuracy of this diagnosis method was validated by real-world diagnosis cases.
Combination kernel learning method, as well as kernel parameters optimization method was studied. On this basis, a fault diagnosis method of oil-immersed power transformer based on multi-kernel learning RVM was proposed. The method can integrate the feature information reflecting the operating state from different perspectives. DGA-based diagnosis cases verified the effectiveness of the integration method.
Cost-sensitive RVM (CS-RVM) based on Bayesian risk theory was proposed and applied to fault diagnosis of oil-immersed power transformer. The CS-RVM based diagnosis method introduced the idea of considering misdiagnosis cost to fault diagnosis, aiming to minimize misdiagnosis cost. It could overcome the problem of bringing no meaningful results for only pursuing high classification accuracy. Experimental results showed that CS-RVM diagnosis method tended to increase the diagnostic accuracy of high misdiagnosis cost category, and diagnosis speed was high enough to meet the engineering requirement.
引文
[1]孙才新,陈伟根,李俭,等.电气设备油中气体在线监测与故障诊断技术[M].北京：科学出版社,2003：1-188
[2]张德明.变压器分接开关状态监测与故障诊断[M].北京：中国电力出版社,2008：121-142
[3]朱德恒,严璋,谈克雄,等.电气设备状态监测与故障诊断技术[M].北京：中国电力出版社,2009：244-302
[4]操郭奎,许维宗,阮国方.变压器运行维护与故障分析处理[M].北京：中国电力出版社,2008：156-170
[5]王梦云.110 kV及以上变压器事故统计分析[J].供用电,2006,23(1)：1-4
[6]工梦云.2004年度110 kV及以上变压器事故统计分析[J].电力设备,2006,6(11)：31-37
[7]工昌长,李福琪,高胜友.电气设备的在线监测与故障诊断[M].北京：清华大学出版社,2006：137-163
[8]Tang W H, Wu Q H. Condition Monitoring and Assessment of Power Transformers Using Computational Intelligence [M]. New York:Springer Verlag Press,2011:95-104
[9]管海军.基于DGA的电力变压器状态监测分析系统[D].吉林：吉林大学博士论文,2007：1-6
[10]彭席汉.变压器DGA智能在线监测仪的研究与开发[D].浙江：浙江大学博士论文,2007：1-5
[11]郑含博.电力变压器状态评估及故障诊断方法研究[D].重庆：重庆大学博士论文,2012
[12]程鹏,佟来生,吴广宁,等.大型变压器油中溶解气体在线监测技术进展[J].电力自动化设备,2004,24(11)：90-93
[13]邓敏.变压器在线监测技术的新突破[J].电网技术,2001,25(9)：81-83
[14]李娟,蔡晖,丁晓群.电力变压器状态在线监测和故障诊断的新方法[J].电力自动化设备,2002,22(12)：60-63
[15]肖燕彩,朱衡君,张霄元,等.基于溶解气体分析的电力变压器在线监测与诊断技术[J].电力自动化设备,2006,26(6)：93-96
[16]李中,苑津莎,张利伟.基于自组织抗体网络的电力变压器故障诊断[J].电工技术学报,2010,25(10)：200-206
[17]李俭,孙才新,陈伟根,等.基于灰色聚类分析的充油电力变压器绝缘故障诊断的研究[J].电工技术学报,2002,17(4)：80-83
[18]Weigen Chen, Chong Pan, Yuxin Yun, et al. Wavelet Networks in Power Transformers Diagnosis Using Dissolved Gas Analysis [J]. IEEE Transactions on Power Delivery,2009,24(1):187-194
[19]Shintemirov A, Tang W, Wu Q H. Power Transformer Fault Classification Based on Dissolved Gas Analysis by Implementing Bootstrap and Genetic Programming [J]. IEEE Transactions on Power Systems, Man, and Cybernetics-Part C:Applications and Reviews,2009,39(1):69-79
[20]Akbari A, Setayeshmehr A, Borsi H, et al. Intelligent agent-based system using dissolved gas analysis to detect incipient faults in power transformers [J]. Electrical Insulation Magazine,2010,26(6):27-40
[21]Sukhbir S, Bandyopadhyay M N. Dissolved gas analysis technique for incipient fault diagnosis in power transformers:A bibliographic survey [J]. Electrical Insulation Magazine,2010,26(6):41-46
[22]Naresh R, Sharma V, Vashisth M. An Integrated Neural Fuzzy Approach for Fault Diagnosis of Transformers [J]. IEEE Transactions on Power Delivery, 2008,23(4):2017-2024
[23]Duval M. A review of faults detectable by gas-in-oil analysis in transformers [J]. Electrical Insulation Magazine,2002,18(3):8-17
[24]Duval M. Interpretation of gas-in-oil analysis using new IEC publication 60599 and IEC TC 10 databases [J]. Electrical Insulation Magazine,2001,17(2): 31-41
[25]王南兰,邱德润.油中溶解气体分析的变压器故障诊断新方法[J].高电压技术,2006,32(6)：35-37
[26]孙辉,李卫东,孙启忠,等.判决树方法用于变压器故障诊断的研究[J].中国电机工程学报,2001,21(2)：50-55
[27]陈江波,文习山,彭宁云,等.进化规划算法在变压器故障诊断中的应用[J].高电压技术,2003,29(12)：10-11,14
[28]董立新,肖登明,李喆,等.基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断[J].电力系统自动化,2004,28(15)：85-89
[29]李俭,孙才新,廖瑞金,等.以模糊聚类标准谱与灰色关联序诊断变压器内部故障的方法研究[J].仪器仪表学报,2004,25(5)：587-589
[30]熊浩,张晓星,廖瑞金,等.基于动态聚类的电力变压器故障诊断[J].仪器仪表学报,2007,28(3)：456-459
[31]李俭.大型电力变压器以油中溶解气体为特征量的内部故障诊断模型研究[D].重庆：重庆大学,2001
[32]熊浩,孙才新,廖瑞金,等.基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究[J].中国电机工程学报,2005,25(20)：162-166
[33]董立新,肖登明,工俏华,等.模糊粗糙集数据挖掘方法在电力变压器故障诊断中的应用研究-基于油中溶解气体的分析诊断[J].电力系统及其自动化学报,2004,16(5)：1-4,19
[34]董海红.基于小生境遗传算法的电力变压器故障诊断方法研究[D].吉林：吉林大学,2008
[35]段侯峰.基于遗传算法优化BP神经网络的变压器故障诊断[D].北京：北京交通大学,2008
[36]肖燕彩,朱衡君.基于最小二乘支持向量机的电力变压器故障诊断[J].电力自动化设备,2007,27(9)：48-51
[37]郭磊.基于神经网络的变压器故障诊断技术的研究[D].四川：西华大学,2008
[38]刘晓津.基于支持向量机和油中溶解气体分析的变压器故障诊断[D].天津：天津大学,2007
[39]刘毅.人工神经网络在变压器故障诊断应用中的比较研究[D].广西：广西大学,2007
[40]邹杰慧.电力变压器故障诊断模糊专家系统研究开发[D].长沙：湖南大学,2004
[41]李玉芬.电气量与油气量结合的变压器状态监测与健康诊断研究[D].南京：河海大学,2006
[42]殷震.基于BP神经网络的电力变压器内部故障诊断方法研究[D].天津：天津大学,2007
[43]刘灿萍.基于DGA的变压器故障诊断专家系统的研究[D].广西：广西大学,2007
[44]彭宁云.基于DGA技术的变压器故障智能诊断系统研究[D].武汉：武汉大学,2004
[45]刘兆元.基于信息融合的大型电力变压器故障诊断[D].济南：山东大学,2005
[46]练波.基于油中气体分析的变压器绝缘故障的灰色关联诊断及应用研究[D].重庆：重庆大学,2002
[47]曹国慧.基于油中气体分析的多种人工智能技术在变压器故障诊断中的应 用[D].郑州：郑州大学,2004
[48]谢菲.基于油中溶解气体分析的变压器智能故障诊断[D].昆明：昆明理工大学,2007
[49]李建坡.基于油中溶解气体分析的电力变压器故障诊断技术的研究[D].吉林：吉林大学,2008
[50]李小伟.基于综合特征量的电力变压器故障综合诊断方法的研究[D].广西：广西大学,2006
[51]邓宏贵.可拓理论与关联分析及其在变压器故障诊断中的应用[D].长沙：中南大学,2005
[52]王子建.模糊聚类分析及其在变压器油色谱数据分析中的应用[D].武汉：华中科技大学,2006
[53]陈伟根.以油中多种气体为特征量的变压器绝缘在线监测及故障诊断技术研究[D].重庆：重庆大学,2003
[54]郑建柏.支持向量机的变压器故障诊断应用研究[D].保定：华北电力大学,2007
[55]Ganyun Lv, Haozhong Cheng, Haibao Zhai, et al. Fault diagnosis of power transformer based on multi-layer SVM classifier [J]. Electric Power Systems Research,2005,75(1):9-15
[56]Wu Niu, Xu Liang-Fa Wu, Ji-Lin. Fault Diagnosis and System Development of Power Transformer Based on Support Vector Machine [C].2009 2nd IEEE International Conference on Computer Science and Information Technology, Beijing, China,2009:578-581
[57]张小奇,朱永利,王芳.基于支持向量机的变压器油中溶解气体浓度预测[J].华北电力大学学报,2006,33(6)：6-9
[58]赵文清,朱永利,张小奇.基于支持向量机的变压器故障组合预测[J],中国电机工程学报,2008,28(25)：14-19
[59]朱永利,申涛,李强,苏蓬.基于支持向量机和DGA的变压器状态评估方法[J].电力系统及其自动化学报,2008,20(6)：111-115
[60]吕干云,程浩忠,董立新,翟海保.基于多级支持向量机分类器的电力变压器故障识别[J].电力系统及其自动化学报,2005,17(1)：19-22,52
[61]赵文清.基于数据挖掘的变压器故障诊断和预测研究[D].保定：华北电力大学博士论文,2009
[62]董明,孟源源,徐长响,等.基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究[J].中国电机工程学报,2003,23(7)：88-92
[63]Zheng H B, Liao R J, Grzybowski S, et al. Fault diagnosis of power transformers using multi-class least square support vector machines classifiers with particle swarm optimisation [J]. IET Electric Power Applications,2011,5(9):691-696
[64]蒋延军,倪远平.基于粗糙集与支持向量机的变压器故障诊断法[J].高电压技术,2008,34(8)：1755-1760
[65]费胜巍,苗玉彬,刘成良,等.基于粒子群优化支持向量机的变压器故障诊断[J].高电压技术,2009,35(3)：509-513
[66]武中利,杨建,朱永利,等.基于粗糙集理论和支持向量机的变压器故障诊断[J].电力系统保护与控制,2010,38(18)：80-83
[67]贾嵘,徐其惠,李辉,等.最小二乘支持向量机多分类法的变压器故障诊断[J].高电压技术,2007,33(6)：110-113,132
[68]韩富春,高文军,廉建鑫,等.基于免疫优化多分类SVM的变压器故障诊断新方法[J].电力系统保护与控制,2012,40(2)：106-110
[69]贾嵘,张云,洪刚,等.基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用[J].电力系统保护与控制,2010,38(17)：121-124,152
[70]臧宏志,俞晓冬.基于粗糙集与支持向量机的变压器故障诊断[J].变压器,2008,45(8)：61-65
[71]董秀成,陶加贵,王海滨,等.自适应模糊支持向量机增量算法在变压器故障诊断中的应用[J].电力自动化设备,2010,30(11)：48-52
[72]刘同杰,刘志刚,韩志伟,等.自适应模糊支持向量机邻近增量算法在变压器故障诊断中的应用[J].电力系统保护与控制,2010,38(17)：47-52
[73]陶加贵.基于聚类和模糊支持向量机的变压器故障诊断研究[D].成都：西华大学,2009
[74]张艳.基于粒子群优化支持向量机的变压器故障诊断和预测[D].成都：西华大学,2011
[75]梁浩宇.基于支持向量机的变压器故障诊断[D].长沙：长沙理工大学,2011
[76]吴清华.基于LS-SVM的电力变压器故障诊断与预测研究[D].成都：西华大学,2010
[77]Ke Meng, Zhao Yang Dong, Dian Hui Wang, et al. A Self-Adaptive RBF Neural Network Classifier for Transformer Fault Analysis [J]. IEEE Transactions on Power Delivery,2010,25(3):1350-1360
[78]王雪梅,李文申,严璋.BP网络在电力变压器故障诊断中的应用[J].高电压技术,2005,31(7)：12-14
[79]Huang Y C. Evolving neural nets for fault diagnosis of power transformers [J]. IEEE Transactions on Power Delivery,2003,18(3):843-848.
[80]周建华,胡敏强.自构形神经网络在变压器故障诊断中的应用[J].电工技术学报,2004,19(9)：77-81
[81]章剑光,周浩,项灿芳.基于Super SAB神经网络算法的主变压器故障诊断模型[J].电工技术学报,2004,19(7)：49-52
[82]梁永春,李彦明.改进型组合RBF神经网络的变压器故障诊断[J].高电压技术,2005,31(9)：31-33
[83]龚瑞昆,马亮,赵延军,等.基于量子神经网络信息融合的变压器故障诊断[J].电力系统保护与控制,2011,39(23)：79-84,88
[84]王晓霞,王涛.基于粒子群优化神经网络的变压器故障诊断[J].高电压技术,2008,34(11)：2362-2367
[85]张景明,肖倩华,王时胜,等.融合粗糙集和神经网络的变压器故障诊断[J].高电压技术,2007,33(8)：122-125
[86]刘丽,唐杰,刘卓,等.基于改进微分进化优化神经网络的电力变压器故障诊断[J].电力系统保护与控制,2010,38(20)：106-109
[87]刘卓,黄纯,李波,等.利用微分进化优化神经网络的变压器故障诊断[J].电力系统及其自动化学报,2011,23(2)：54-58
[88]杨海马,刘瑾,张菁,等.BP神经网络在变压器故障诊断中的应用[J].变压器,2009,46(1)：67-70
[89]高如新,王福忠,冉正云,等.基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用[J].继电器,2004,32(5)：15-18,69
[90]付强,陈特放,朱佼佼,等.采用自组织RBF网络算法的变压器故障诊断[J].高电压技术,2012,38(6)：1368-1375
[91]张楠,徐建政,俞晓冬,等.基于粗糙集理论的变压器神经网络诊断方法[J].高电压技术,2003,29(11)：9-10
[92]任静,黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制,2010,38(11)：6-9,14
[93]杨廷方,李景禄,曾祥君,等.基于多方法组合诊断模型的大型变压器故障诊断[J].电力系统自动化,2009,33(20)：92-95,108
[94]俞晓冬,马凤英,臧宏志,等.粗糙集理论与神经网络在变压器故障诊断中的应用[J].继电器,2006,34(1)：10-14
[95]潘超,马成廉,郑玲峰,等.一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法[J].电力系统保护与控制,2009,37(9)：20-24,29
[96]颜湘莲,文远芳.模糊神经网络在变压器故障诊断中的应用研究[J].变压器,2002,39(7)：41-43
[97]魏星,舒乃秋,崔鹏程,等.基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断[J].电力系统自动化,2006,30(7)：46-50
[98]刘娜,高文胜,谈克雄,等.基于组合神经网络模型的电力变压器故障诊断方法[J].电工技术学报,2003,18(2)：83-86
[99]王少芳,蔡金锭GA-BP混合算法在变压器色谱诊断法中的应用[J].高电压技术,2003,29(7)：3-6
[100]彭宁云,文习山,舒翔,等.模糊神经网络在变压器故障诊断中的应用[J].高电压技术,2004,30(5)：14-17
[101]崔东君,刘念,刘秀兰,等.基于加权小波神经网络的油浸式电力变压器故障检测[J].电力系统保护与控制,2010,38(18)：19-23
[102]顾民,葛良全.基于自组织神经网络的变压器故障诊断[J].继电器,2007,35(23)：28-30,34
[103]陈伟根,潘翀,王有元,等.利用小波神经网络的电力变压器故障诊断方法[J].高电压技术,2007,33(8)：52-55
[104]项文强,张华,王姮,等.基于L-M算法的BP网络在变压器故障诊断种的应用[J].电力系统保护与控制,2011,39(8)：100-103,111
[105]俞晓冬,孙莹,臧宏志,等.基于粗糙集与模糊神经网络的变压器故障诊断方法[J].电力自动化设备,2003,23(2)：15-17
[106]符杨,蓝之达.遗传算法与人工神经网络结合在变压器故障诊断中的应用[J].变压器,2003,40(10)：32-37
[107]潘翀,陈伟根,云玉新,等.基于遗传算法进化小波神经网络的电力变压器故障诊断[J].电力系统自动化,2007,31(13)：88-92
[108]魏星,舒乃秋,张霖,等.基于改进PSO-BP混合算法的电力变压器故障诊断[J].电力自动化设备,2006,26(5)：35-38
[109]陈伟根,潘翀,云玉新,等.基于小波网络及油中溶解气体分析的电力变压器故障诊断方法[J].中国电机工程学报,2008,28(7)：121-126
[110]梁流铭,陈伟根,岳彦峰,等.基于小波神经网络和D-S证据理论的电力变压器故障诊断研究[J].高电压技术,2008,34(12)：2694-2700
[111]李清泉,王伟,工晓龙,等.利用DGA-NN诊断油浸式电力变压器故障[J].高电压技术,2007,33(8)：48-51
[112]吴立增,朱永利,苑津莎.基于贝叶斯网络分类器的变压器综合故障诊断方法[J].电工技术学报,2005,20(4)：45-51
[113]朱永利,吴立增,李雪玉.贝叶斯分类器与粗糙集相结合的变压器综合故障诊断[J].中国电机工程学报,2005,25(10)：159-165
[114]王永强,律方成,李和明.基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法[J].中国电机工程学报,2006,26(8)：137-141
[115]王永强,律方成,李和明.基于贝叶斯网络和DGA的变压器故障诊断[J].高电压技术,2004,30(5)：12-13,36
[116]王永强,律方成,李和明.基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法[J].电工技术学报,2004,19(12)：74-77
[117]赵文清.基于选择性贝叶斯分类器的变压器故障诊断[J].电力自动化设备,2011,31(2)：44-47
[118]耿兰芹,王芳,赵文清,等.SVM回归与朴素贝叶斯分类相结合的变压器故障诊断[J].华北电力大学学报,2006,33(6)：28-32
[119]黄辉先,肖桂枝,阳敏,等.RST和NBN用于电力变压器故障诊断[J].高电压技术,2009,35(7)：1589-1594
[120]Vapnik V N. The nature of statistical learning theory [M]. New York: Springer-Verlag,1995:181-218.
[121]Cristianini N, Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods [M]. New York:Cambridge University Press,2000:93-124
[122]吕干云,程浩忠,董立新,等.基于多级支持向量机分类器的电力变压器故障识别[J].电力系统及其自动化学报,2005,17(1)：19-22
[123]李冬萍.基于混沌粒子群优化的SVM分类器研究[J].计算机仿真,2010,27(4)：185-191
[124]刘东平,单甘霖,张岐龙,等.基于改进遗传算法的支持向量机参数优化[J].微计算机应用,2010,31(5)：11-15
[125]尚万峰,赵升吨,申亚京.遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用[J].中国电机工程学报,2009,29(12)：65-69
[126]孙即祥.现代模式识别,[M].北京：高等教育出版社,2008：454-494
[127]李国正,王猛,曾华军,等.支持向量机导论[M].北京：电子工业出版社,2004：1-105
[128]李春香,张为民,钟碧良.最小二乘支持向量机的参数优化算法研究[J].杭州电子科技大学学报,2010,30(4)：213-216
[129]李伟红,刘丽娟,龚卫国,等.人脸识别中基于均匀设计的SVM超参数调节方法[J].光电子.激光,2009,20(10)：1342-1347
[130]Duan K, Keerthi S, Poo A. Evaluation of simple performance measures for tuning SVM hyperparameters[J]. Neurocomputing,2003,51:41-59
[131]Chalimourda A, Scholkopf B, Smola A. Experimentally optimal v in support vector regression for different noise models and parameter settings [J]. Neural Networks,2004,17:127-141
[132]Sheng-wei Fei, Xiao-bin Zhang. Fault diagnosis of power transformer based on support vector machine with genetic algorithm [J]. Expert Systems with Applications,2009,36(8):11352-11357
[133]彭宁云.基于DGA技术的变压器故障智能诊断系统研究[D].武汉：武汉大学博士论文,2004：12-14
[134]李建坡.基于油中溶解气体分析的电力变压器故障诊断技术的研究[D].吉林：吉林大学博士论文,2008：3-10
[135]工双成.贝叶斯网络学习、推理与应用[M],立信会计出版社,2010：1-291
[136]章文,刘娟.基于相关向量机的多类蛋白质折叠识别[J].武汉大学学报(理学版),2008,54(3)：353-356
[137]朱世增,党选举.基于相关向量机的非线性动态系统辨识[J].计算机仿真,2008,25(6)：103-107
[138]周欣,秦晓东,吴瑛等.稀疏贝叶斯模型和相关向量机在信号识别中的应用[J].电路与系统学报,2011,16(6)：75-80
[139]洪智勇,刘华,邓维斌,等.基于粗糙集与相关向量机的文本分类新方法[J].计算机仿真,2010,27(7)：183-186
[140]赵榈,苏一丹,覃华,等.基于快速估计的相关向量机优化算法[J].计算机工程,2012,38(9)：205-207
[141]王敏,乔立山.一种基于相关向量机的白细胞检出新方法[J].南京航空航天大学学报(英文版),2010,27(3)：269-274
[142]丁二锐,曾平,姚勇,等.基于自适应约简相关向量机的光照色度估计[J].东南大学学报(英文版),2007,23(2)：202-205
[143]仕玉治,彭勇,周惠成,等.基于相关向量机的中长期径流预报模型研究[J].大连理工大学学报,2012,52(1)：79-84
[144]杨国鹏,周欣,余旭初,等.稀疏贝叶斯模型与相关向量机学习研究[J].计算机科学,2010,37(7)：225-228
[145]杨柳,张磊,张少勋,等.单核和多核相关向量机的比较研究[J].计算机工程,2010,36(12)：195-197
[146]范伊红,李敏,张元,等.相关向量机在车型识别中的应用研究[J].计算机工程与设计,2008,29(6)：1510-1511,1515
[147]沈跃,刘国海,刘慧,等.基于改进S变换和贝叶斯相关向量机的电能质量扰动识别[J].控制与决策,2011,26(4)：587-591
[148]杨颖涛,王跃钢,邓卫强,等.稀疏贝叶斯相关向量机的模拟电路故障诊断[J].计算机工程,2011,37(18)：7-9
[149]何飞,黎敏,阳建宏,等.基于小波相关向量机的产品质量模型[J].北京：北京科技大学学报,2009,31(7)：934-938
[150]杨颖涛,王跃钢,邓卫强,等.模糊核聚类相关向量机模拟电路故障诊断[J].计算机测量与控制,2011,19(8)：1827-1830
[151]杨颖涛,王跃钢,邓卫强,等.基于Fisher准则函数的相关向量机模拟电路故障诊断[J].计算机应用研究,2011,28(6)：2085-2087,2112
[152]陶新民,徐晶,杜宝祥,等.基于相空间RVM的轴承故障检测方法[J].振动与冲击,2008,27(10)：6-9
[153]徐翔,刘建伟,罗雄麟,等.基于信息向量机的神经活动分类和译码研究[J].计算机工程,2010,36(7)：198-199,202
[154]郑泽萍,王万良,郑建炜,等.基于保局部核RVM的说话人识别方法[J].计算机工程,2011,37(14)：208-210
[155]胡迪,董云峰.基于RVM回归的姿控系统多故障检测[J].电机与控制学报,2011,15(9)：68-73
[156]赵树延,于金涛,王翥,等.基于RVM的多功能自确认水质检测传感器[J].仪器仪表学报,2011,32(8)：1690-1696
[157]张昱,谢小鹏.基于遗传相关向量机的图像分类技术[J].计算机仿真,2011,28(5)：283-286
[158]段青,赵建国,马艳,等.基于稀疏贝叶斯学习的电力系统暂态稳定评估[J].电力自动化设备,2009,29(9)：36-40
[159]王春光,徐琪,陈刚,等.不同核函数RVM的冰凌检测能力比较[J].地理空间信息,2012,10(2)：67-69,75
[160]王立昆.基于RVM的手写体数字识别[D].西安：西安电子科技大学,2011
[161]段青.基于稀疏贝叶斯学习方法的回归与分类在电力系统中的预测研究[D].济南：山东大学,2010
[162]马田香.基于Probit模型的相关向量机分类器设计及应用[D].西安：西安电子科技大学,2012
[163]郝旭东.基于RVM-PF的卫星关键部件寿命预测[D].长沙：国防科学技术大学,2011
[164]乔立山,陈松灿,王敏,等.基于相关向量机的图像阈值技术[J].计算机研究与发展,2010,47(8)：1329-1337
[165]刘雪美,张晓辉,刘丰乐,等.喷杆喷雾机风助风筒相关向量机多目标优化设计[J].农业机械学报,2010,41(6)：75-80
[166]牛林,杜至刚,赵建国,等.基于相关向量机的交流特高压输电线路可听噪声的预测研究[J].电力自动化设备,2009,29(6)：71-76
[167]丁二锐,曾平,丁阳,等.一种新的回归型约简多分辨率相关向量机[J].控制与决策,2008,23(1)：65-69
[168]杨国鹏,周欣,余旭初,等.基于相关向量机的高光谱影像混合像元分解[J].电子学报,2010,38(12)：2751-2756
[169]杨国鹏,余旭初,周欣,等.基于相关向量机的高光谱影像分类研究[J].测绘学报,2010,39(6)：572-578
[170]刘慧,刘国海,沈跃,等.采用提升小波包和相关向量机的电能质量扰动分类[J].高电压技术,2010,36(3)：782-788
[171]吴慧兰,刘国栋,浦昭邦,等.基于相关向量机的惯性约束聚变实验靶识别技术研究[J].光学学报,2009,29(7)：1888-1891
[172]韩敏,赵耀,杨溪林,等.基于鲁棒相关向量机的转炉炼钢终点预报模型[J].控制理论与应用,2011,28(3)：343-350
[173]马海,王延江,胡睿,等.基于相关向量机的地层可钻性级值预测[J].中国石油大学学报(自然科学版),2010,34(2)：67-70
[174]邱浪波,王广云,王刚,等.相关向量机在肿瘤表达谱分类问题中的应用[J].中国生物医学工程学报,2008,27(1)：82-86
[175]黄帅栋,卫志农,高宗和,等.基于非负矩阵分解的相关向量机短期负荷预测模型[J].电力系统自动化,2012,36(11)：62-66
[176]范庚,马登武,邓力,等.基于灰色相关向量机的故障预测模型[J].系统工程与电子技术,2012,34(2)：424-428
[177]周勇,何创新.基于独立特征选择与相关向量机的变载荷轴承故障诊断[J].振动与冲击,2012,31(3)：157-161
[178]林乐科,张业荣,赵振维,等.微波辐射计探测大气剖面的相关向量机算法[J].电波科学学报,2009,24(1)：90-94
[179]张磊,刘建伟,徐翔,等.基于相关向量机的神经活动分类及译码[J].计算机工程,2009,35(20)：197-198,201
[180]沈跃,刘慧,谢洪波,等.基于贝叶斯相关向量机的脑电睡眠分期[J].江苏大学学报(自然科学版),2011,32(3)：325-329
[181]Tipping, M E. The Relevance Vector Machine [J]. Advances in Neural Information Processing Systems,2001,12:652-658.
[182]Bishop C M, Tipping M E. Variational relevance vector machines[C]. Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann,2000:46-53
[183]Tipping M E. Sparse Bayesian learning and the relevance vector machine [J]. Journal of Machine Learning Research,2001,1:211-244.
[184]段青,赵建国,马艳.基于粒子群优化的组合核函数相关向量机负荷预测模型[J].电机与控制学报,2010,14(6)：33-38
[185]何创新,李彦明,刘成良,等.基于滑动平均与相关向量机的齿轮早期故障智能诊断[J].振动与冲击,2010,29(12)：89-92
[186]杨成福,章毅.相关向量机及在说话人识别应用中的研究电子[J].科技大学学报,2010,39(2)：311-315
[187]陶新民,徐晶,杜宝祥,等.基于相空间RVM的轴承故障检测方法[J].振动与冲击,2008,27(10)：6-10
[188]Demir B, Erturk S. Hyperspectral Image Classification Using Relevance Vector Machines [J]. IEEE Geoscience and Remote Sensing Letters,2007,4(4): 586-590
[189]Gholami B, HaddadW M, Tannenbaum A R. Relevance Vector Machine Learning for Neonate Pain Intensity Assessment Using Digital Imaging [J]. IEEE Transactions on Biomedical Engineering,2010,57(6):1457-1466
[190]J. C. MacKay. The evidence framework applied to classiffication networks [J]. Neural Computation,1992,4(5):720-736
[191]Damoulas T, Ying Y, Girolami M A, et al. Inferring Sparse Kernel Combinations and Relevance Vectors:An application to subcellular localization of proteins [C]. In Proceedings of the 7th International Conference on Machine Learning and Applications (ICMLA2008), San Diego, USA,2008
[192]Psorakis I, Damoulas T, Girolami M A. Multiclass Relevance Vector Machines: Sparsity and Accuracy [J]. IEEE Transactions on Neural Networks,2010,21(10): 1588-1598
[193]Girolami M, Rogers S. Hierarchic Bayesian models for kernel learning [C]. In Proceedings of the 22nd International Conference on Machine Learning, Bonn, Germany,2005,241-248
[194]Albert J, Chib S. Bayesian analysis of binary and polychotomous response data[J]. Journal of the American Statistical Association,1993,88:669-679
[195]Damoulas T, Girolami M A. Probabilistic multi-class multi-kernel learning:On protein fold recognition and remote homology detection [J]. Bioinformatics, 2008,24(10):1264-1270
[196]Damoulas T, Girolami M A. Combining feature spaces for classification [J]. Pattern Recognition,2009,42(11):2671-2683
[197]Damoulas T, Girolami M A. Probabilistic multi-class multi-kernel learning:On protein fold recognition and remote homology detection [J]. Bioinformatics, 2008,24(10):1264-1270
[198]梁小冰,王耀龙,黄萍等.基于DGA的变压器故障诊断多专家融合策略[J].电力系统自动化,2005,29(18)：80-84
[199]彭剑,罗安,周柯等.变压器故障诊断中信息融合技术的应用[J].高电压技术,2007,33(3)：144-147
[200]董明,严璋,杨莉等.基于证据推理的电力变压器故障诊断策略[J].中国电机工程学报,2006,26(1)：106-114
[201]陈玉立.信息融合技术在变压器故障诊断中的应用[D].成都：西南交通大学,2006
[202]袁蕾.电力变压器试验数据和征兆现象的故障融合诊断方法[D].重庆：重庆大学,2010
[203]胡文平.基于智能信息融合的电力设备故障诊断新技术研究[D].武汉：华中科技大学,2005
[204]秦丽伟.基于智能信息融合的油浸式电力变压器故障诊断[D].济南：山东大学,2009
[205]田晓霄.变压器故障多信息融合诊断方法研究[D].重庆：重庆理工大学,2011
[206]宋绍民.基于多特征的变压器故障免疫诊断方法研究[D].长沙：中南大学,2006
[207]Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection [C]. Proceedings of the 14th international joint conference on artificial intelligence (IJCAI), San Francisco, CA, USA,1995:1137-1143
[208]Leisch F, Jain L C, Hornik K. Cross-validation with active pattern selection for neural network classifiers [J]. IEEE Transaction on Neural Network,1998,9(1): 35-41
[209]Stone M. Cross-validatory choice and assessment of statistical predictions [J]. Journal of the Royal Statistical Society,1974,36(2):111-147
[210]汤宝平,刘文艺,蒋永华.基于交叉验证法优化参数的Morlet小波消噪方 法[J].重庆大学学报,2010,33(1)：1-6
[211]卢恒,凌震华,雷鸣,等.基于最小生成误差的HMM模型聚类自动优化[J].模式识别与人工智能,2010,29(6)：822-828
[212]Affenzeller M, Winkler S, Wagner S, et al. Genetic Algorithms and Genetic Programming:Modern Concepts and Practical Applications [M]. New York: CRC,2009:1-22
[213]王小平,曹立明.遗传算法-理论、应用与软件实现[M].西安：西安交通大学出版社,2002：1-17
[214]Saitta L. Machine learning:a technological roadmap[R]. The Netherlands: Univ. of Amsterdam,2000.
[215]Ling C X, Sheng V S. A comparative study of cost-sensitive classifiers [J]. Chinese J of Computers,2007,30(8):1023-1211.
[216]Diamantini C, Potena D. Bayes vector quantizer for classimbalance problem [J]. IEEE Trans on Knowledge and Data Engineering,2009,21(5): 638-651.
[217]刘金福,于达仁,胡清华,王伟.基于加权粗糙集的代价敏感故障诊断方法[J].中国电机工程学报,2007,27(23)：93-99
[218]吴薇,胡静涛.基于代价敏感直推式学习的故障诊断方法[J].2010,31(5)：1074-1078
[219]唐明珠,阳春华,桂卫华,等.代价敏感概率神经网络及其在故障诊断中的应用[J].控制与决策,2010,25(7)：1074-1078
[220]李祖定.BP神经网络的代价敏感学习算法研究[D].武汉：华中科技大学,2009
[221]Turney P D. Cost-Sensitive Classification:Empirical Evaluation of a Hybrid Genetic Decision Tree Induction Algorithm. Journal of Artificial Intelligence Research,1995,2(1):369-409
[222]Ling C X, Yang Q, Wang J N, et al. Decision Trees with Minimal Costs[C]. Proceedings of the Twenty-First International Conference on Machine Learning, New York, NY, USA,2004:69-76
[223]Domingos P. MetaCost:A General Method for Making Classifiers Cost-Sensitive[C]. Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, New York, NY, USA, 1999:155-164
[224]Chai X Y, Deng L, Yang Q, et al. Test-Cost Sensitive Naive Bayesian Classification[C]. Proceedings of the Fourth IEEE International Conference on Data Mining, Washington, DC, USA,2004:51-58
[225]Ting K M. Inducing Cost-Sensitive Trees via Instance Weighting[C]. Proceedings of the Second European Symposium on Principles of Data Mining and Knowledge Discovery, London, UK,1998:139-147
[226]Zadrozny B, Langford J, Abe N. Cost-Sensitive Learning by Cost-Proportionate Example Weighting[C]. Proceedings of the 3th International Conference on Data Mining, Washington, DC, USA,2003:435-442
[2]张德明.变压器分接开关状态监测与故障诊断[M].北京：中国电力出版社,2008：121-142
[3]朱德恒,严璋,谈克雄,等.电气设备状态监测与故障诊断技术[M].北京：中国电力出版社,2009：244-302
[4]操郭奎,许维宗,阮国方.变压器运行维护与故障分析处理[M].北京：中国电力出版社,2008：156-170
[5]王梦云.110 kV及以上变压器事故统计分析[J].供用电,2006,23(1)：1-4
[6]工梦云.2004年度110 kV及以上变压器事故统计分析[J].电力设备,2006,6(11)：31-37
[7]工昌长,李福琪,高胜友.电气设备的在线监测与故障诊断[M].北京：清华大学出版社,2006：137-163
[8]Tang W H, Wu Q H. Condition Monitoring and Assessment of Power Transformers Using Computational Intelligence [M]. New York:Springer Verlag Press,2011:95-104
[9]管海军.基于DGA的电力变压器状态监测分析系统[D].吉林：吉林大学博士论文,2007：1-6
[10]彭席汉.变压器DGA智能在线监测仪的研究与开发[D].浙江：浙江大学博士论文,2007：1-5
[11]郑含博.电力变压器状态评估及故障诊断方法研究[D].重庆：重庆大学博士论文,2012
[12]程鹏,佟来生,吴广宁,等.大型变压器油中溶解气体在线监测技术进展[J].电力自动化设备,2004,24(11)：90-93
[13]邓敏.变压器在线监测技术的新突破[J].电网技术,2001,25(9)：81-83
[14]李娟,蔡晖,丁晓群.电力变压器状态在线监测和故障诊断的新方法[J].电力自动化设备,2002,22(12)：60-63
[15]肖燕彩,朱衡君,张霄元,等.基于溶解气体分析的电力变压器在线监测与诊断技术[J].电力自动化设备,2006,26(6)：93-96
[16]李中,苑津莎,张利伟.基于自组织抗体网络的电力变压器故障诊断[J].电工技术学报,2010,25(10)：200-206
[17]李俭,孙才新,陈伟根,等.基于灰色聚类分析的充油电力变压器绝缘故障诊断的研究[J].电工技术学报,2002,17(4)：80-83
[18]Weigen Chen, Chong Pan, Yuxin Yun, et al. Wavelet Networks in Power Transformers Diagnosis Using Dissolved Gas Analysis [J]. IEEE Transactions on Power Delivery,2009,24(1):187-194
[19]Shintemirov A, Tang W, Wu Q H. Power Transformer Fault Classification Based on Dissolved Gas Analysis by Implementing Bootstrap and Genetic Programming [J]. IEEE Transactions on Power Systems, Man, and Cybernetics-Part C:Applications and Reviews,2009,39(1):69-79
[20]Akbari A, Setayeshmehr A, Borsi H, et al. Intelligent agent-based system using dissolved gas analysis to detect incipient faults in power transformers [J]. Electrical Insulation Magazine,2010,26(6):27-40
[21]Sukhbir S, Bandyopadhyay M N. Dissolved gas analysis technique for incipient fault diagnosis in power transformers:A bibliographic survey [J]. Electrical Insulation Magazine,2010,26(6):41-46
[22]Naresh R, Sharma V, Vashisth M. An Integrated Neural Fuzzy Approach for Fault Diagnosis of Transformers [J]. IEEE Transactions on Power Delivery, 2008,23(4):2017-2024
[23]Duval M. A review of faults detectable by gas-in-oil analysis in transformers [J]. Electrical Insulation Magazine,2002,18(3):8-17
[24]Duval M. Interpretation of gas-in-oil analysis using new IEC publication 60599 and IEC TC 10 databases [J]. Electrical Insulation Magazine,2001,17(2): 31-41
[25]王南兰,邱德润.油中溶解气体分析的变压器故障诊断新方法[J].高电压技术,2006,32(6)：35-37
[26]孙辉,李卫东,孙启忠,等.判决树方法用于变压器故障诊断的研究[J].中国电机工程学报,2001,21(2)：50-55
[27]陈江波,文习山,彭宁云,等.进化规划算法在变压器故障诊断中的应用[J].高电压技术,2003,29(12)：10-11,14
[28]董立新,肖登明,李喆,等.基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断[J].电力系统自动化,2004,28(15)：85-89
[29]李俭,孙才新,廖瑞金,等.以模糊聚类标准谱与灰色关联序诊断变压器内部故障的方法研究[J].仪器仪表学报,2004,25(5)：587-589
[30]熊浩,张晓星,廖瑞金,等.基于动态聚类的电力变压器故障诊断[J].仪器仪表学报,2007,28(3)：456-459
[31]李俭.大型电力变压器以油中溶解气体为特征量的内部故障诊断模型研究[D].重庆：重庆大学,2001
[32]熊浩,孙才新,廖瑞金,等.基于核可能性聚类算法和油中溶解气体分析的电力变压器故障诊断研究[J].中国电机工程学报,2005,25(20)：162-166
[33]董立新,肖登明,工俏华,等.模糊粗糙集数据挖掘方法在电力变压器故障诊断中的应用研究-基于油中溶解气体的分析诊断[J].电力系统及其自动化学报,2004,16(5)：1-4,19
[34]董海红.基于小生境遗传算法的电力变压器故障诊断方法研究[D].吉林：吉林大学,2008
[35]段侯峰.基于遗传算法优化BP神经网络的变压器故障诊断[D].北京：北京交通大学,2008
[36]肖燕彩,朱衡君.基于最小二乘支持向量机的电力变压器故障诊断[J].电力自动化设备,2007,27(9)：48-51
[37]郭磊.基于神经网络的变压器故障诊断技术的研究[D].四川：西华大学,2008
[38]刘晓津.基于支持向量机和油中溶解气体分析的变压器故障诊断[D].天津：天津大学,2007
[39]刘毅.人工神经网络在变压器故障诊断应用中的比较研究[D].广西：广西大学,2007
[40]邹杰慧.电力变压器故障诊断模糊专家系统研究开发[D].长沙：湖南大学,2004
[41]李玉芬.电气量与油气量结合的变压器状态监测与健康诊断研究[D].南京：河海大学,2006
[42]殷震.基于BP神经网络的电力变压器内部故障诊断方法研究[D].天津：天津大学,2007
[43]刘灿萍.基于DGA的变压器故障诊断专家系统的研究[D].广西：广西大学,2007
[44]彭宁云.基于DGA技术的变压器故障智能诊断系统研究[D].武汉：武汉大学,2004
[45]刘兆元.基于信息融合的大型电力变压器故障诊断[D].济南：山东大学,2005
[46]练波.基于油中气体分析的变压器绝缘故障的灰色关联诊断及应用研究[D].重庆：重庆大学,2002
[47]曹国慧.基于油中气体分析的多种人工智能技术在变压器故障诊断中的应 用[D].郑州：郑州大学,2004
[48]谢菲.基于油中溶解气体分析的变压器智能故障诊断[D].昆明：昆明理工大学,2007
[49]李建坡.基于油中溶解气体分析的电力变压器故障诊断技术的研究[D].吉林：吉林大学,2008
[50]李小伟.基于综合特征量的电力变压器故障综合诊断方法的研究[D].广西：广西大学,2006
[51]邓宏贵.可拓理论与关联分析及其在变压器故障诊断中的应用[D].长沙：中南大学,2005
[52]王子建.模糊聚类分析及其在变压器油色谱数据分析中的应用[D].武汉：华中科技大学,2006
[53]陈伟根.以油中多种气体为特征量的变压器绝缘在线监测及故障诊断技术研究[D].重庆：重庆大学,2003
[54]郑建柏.支持向量机的变压器故障诊断应用研究[D].保定：华北电力大学,2007
[55]Ganyun Lv, Haozhong Cheng, Haibao Zhai, et al. Fault diagnosis of power transformer based on multi-layer SVM classifier [J]. Electric Power Systems Research,2005,75(1):9-15
[56]Wu Niu, Xu Liang-Fa Wu, Ji-Lin. Fault Diagnosis and System Development of Power Transformer Based on Support Vector Machine [C].2009 2nd IEEE International Conference on Computer Science and Information Technology, Beijing, China,2009:578-581
[57]张小奇,朱永利,王芳.基于支持向量机的变压器油中溶解气体浓度预测[J].华北电力大学学报,2006,33(6)：6-9
[58]赵文清,朱永利,张小奇.基于支持向量机的变压器故障组合预测[J],中国电机工程学报,2008,28(25)：14-19
[59]朱永利,申涛,李强,苏蓬.基于支持向量机和DGA的变压器状态评估方法[J].电力系统及其自动化学报,2008,20(6)：111-115
[60]吕干云,程浩忠,董立新,翟海保.基于多级支持向量机分类器的电力变压器故障识别[J].电力系统及其自动化学报,2005,17(1)：19-22,52
[61]赵文清.基于数据挖掘的变压器故障诊断和预测研究[D].保定：华北电力大学博士论文,2009
[62]董明,孟源源,徐长响,等.基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究[J].中国电机工程学报,2003,23(7)：88-92
[63]Zheng H B, Liao R J, Grzybowski S, et al. Fault diagnosis of power transformers using multi-class least square support vector machines classifiers with particle swarm optimisation [J]. IET Electric Power Applications,2011,5(9):691-696
[64]蒋延军,倪远平.基于粗糙集与支持向量机的变压器故障诊断法[J].高电压技术,2008,34(8)：1755-1760
[65]费胜巍,苗玉彬,刘成良,等.基于粒子群优化支持向量机的变压器故障诊断[J].高电压技术,2009,35(3)：509-513
[66]武中利,杨建,朱永利,等.基于粗糙集理论和支持向量机的变压器故障诊断[J].电力系统保护与控制,2010,38(18)：80-83
[67]贾嵘,徐其惠,李辉,等.最小二乘支持向量机多分类法的变压器故障诊断[J].高电压技术,2007,33(6)：110-113,132
[68]韩富春,高文军,廉建鑫,等.基于免疫优化多分类SVM的变压器故障诊断新方法[J].电力系统保护与控制,2012,40(2)：106-110
[69]贾嵘,张云,洪刚,等.基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用[J].电力系统保护与控制,2010,38(17)：121-124,152
[70]臧宏志,俞晓冬.基于粗糙集与支持向量机的变压器故障诊断[J].变压器,2008,45(8)：61-65
[71]董秀成,陶加贵,王海滨,等.自适应模糊支持向量机增量算法在变压器故障诊断中的应用[J].电力自动化设备,2010,30(11)：48-52
[72]刘同杰,刘志刚,韩志伟,等.自适应模糊支持向量机邻近增量算法在变压器故障诊断中的应用[J].电力系统保护与控制,2010,38(17)：47-52
[73]陶加贵.基于聚类和模糊支持向量机的变压器故障诊断研究[D].成都：西华大学,2009
[74]张艳.基于粒子群优化支持向量机的变压器故障诊断和预测[D].成都：西华大学,2011
[75]梁浩宇.基于支持向量机的变压器故障诊断[D].长沙：长沙理工大学,2011
[76]吴清华.基于LS-SVM的电力变压器故障诊断与预测研究[D].成都：西华大学,2010
[77]Ke Meng, Zhao Yang Dong, Dian Hui Wang, et al. A Self-Adaptive RBF Neural Network Classifier for Transformer Fault Analysis [J]. IEEE Transactions on Power Delivery,2010,25(3):1350-1360
[78]王雪梅,李文申,严璋.BP网络在电力变压器故障诊断中的应用[J].高电压技术,2005,31(7)：12-14
[79]Huang Y C. Evolving neural nets for fault diagnosis of power transformers [J]. IEEE Transactions on Power Delivery,2003,18(3):843-848.
[80]周建华,胡敏强.自构形神经网络在变压器故障诊断中的应用[J].电工技术学报,2004,19(9)：77-81
[81]章剑光,周浩,项灿芳.基于Super SAB神经网络算法的主变压器故障诊断模型[J].电工技术学报,2004,19(7)：49-52
[82]梁永春,李彦明.改进型组合RBF神经网络的变压器故障诊断[J].高电压技术,2005,31(9)：31-33
[83]龚瑞昆,马亮,赵延军,等.基于量子神经网络信息融合的变压器故障诊断[J].电力系统保护与控制,2011,39(23)：79-84,88
[84]王晓霞,王涛.基于粒子群优化神经网络的变压器故障诊断[J].高电压技术,2008,34(11)：2362-2367
[85]张景明,肖倩华,王时胜,等.融合粗糙集和神经网络的变压器故障诊断[J].高电压技术,2007,33(8)：122-125
[86]刘丽,唐杰,刘卓,等.基于改进微分进化优化神经网络的电力变压器故障诊断[J].电力系统保护与控制,2010,38(20)：106-109
[87]刘卓,黄纯,李波,等.利用微分进化优化神经网络的变压器故障诊断[J].电力系统及其自动化学报,2011,23(2)：54-58
[88]杨海马,刘瑾,张菁,等.BP神经网络在变压器故障诊断中的应用[J].变压器,2009,46(1)：67-70
[89]高如新,王福忠,冉正云,等.基于模糊输入的BP-ART2混合神经网络在电力变压器故障综合诊断中的应用[J].继电器,2004,32(5)：15-18,69
[90]付强,陈特放,朱佼佼,等.采用自组织RBF网络算法的变压器故障诊断[J].高电压技术,2012,38(6)：1368-1375
[91]张楠,徐建政,俞晓冬,等.基于粗糙集理论的变压器神经网络诊断方法[J].高电压技术,2003,29(11)：9-10
[92]任静,黄家栋.基于免疫RBF神经网络的变压器故障诊断[J].电力系统保护与控制,2010,38(11)：6-9,14
[93]杨廷方,李景禄,曾祥君,等.基于多方法组合诊断模型的大型变压器故障诊断[J].电力系统自动化,2009,33(20)：92-95,108
[94]俞晓冬,马凤英,臧宏志,等.粗糙集理论与神经网络在变压器故障诊断中的应用[J].继电器,2006,34(1)：10-14
[95]潘超,马成廉,郑玲峰,等.一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法[J].电力系统保护与控制,2009,37(9)：20-24,29
[96]颜湘莲,文远芳.模糊神经网络在变压器故障诊断中的应用研究[J].变压器,2002,39(7)：41-43
[97]魏星,舒乃秋,崔鹏程,等.基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断[J].电力系统自动化,2006,30(7)：46-50
[98]刘娜,高文胜,谈克雄,等.基于组合神经网络模型的电力变压器故障诊断方法[J].电工技术学报,2003,18(2)：83-86
[99]王少芳,蔡金锭GA-BP混合算法在变压器色谱诊断法中的应用[J].高电压技术,2003,29(7)：3-6
[100]彭宁云,文习山,舒翔,等.模糊神经网络在变压器故障诊断中的应用[J].高电压技术,2004,30(5)：14-17
[101]崔东君,刘念,刘秀兰,等.基于加权小波神经网络的油浸式电力变压器故障检测[J].电力系统保护与控制,2010,38(18)：19-23
[102]顾民,葛良全.基于自组织神经网络的变压器故障诊断[J].继电器,2007,35(23)：28-30,34
[103]陈伟根,潘翀,王有元,等.利用小波神经网络的电力变压器故障诊断方法[J].高电压技术,2007,33(8)：52-55
[104]项文强,张华,王姮,等.基于L-M算法的BP网络在变压器故障诊断种的应用[J].电力系统保护与控制,2011,39(8)：100-103,111
[105]俞晓冬,孙莹,臧宏志,等.基于粗糙集与模糊神经网络的变压器故障诊断方法[J].电力自动化设备,2003,23(2)：15-17
[106]符杨,蓝之达.遗传算法与人工神经网络结合在变压器故障诊断中的应用[J].变压器,2003,40(10)：32-37
[107]潘翀,陈伟根,云玉新,等.基于遗传算法进化小波神经网络的电力变压器故障诊断[J].电力系统自动化,2007,31(13)：88-92
[108]魏星,舒乃秋,张霖,等.基于改进PSO-BP混合算法的电力变压器故障诊断[J].电力自动化设备,2006,26(5)：35-38
[109]陈伟根,潘翀,云玉新,等.基于小波网络及油中溶解气体分析的电力变压器故障诊断方法[J].中国电机工程学报,2008,28(7)：121-126
[110]梁流铭,陈伟根,岳彦峰,等.基于小波神经网络和D-S证据理论的电力变压器故障诊断研究[J].高电压技术,2008,34(12)：2694-2700
[111]李清泉,王伟,工晓龙,等.利用DGA-NN诊断油浸式电力变压器故障[J].高电压技术,2007,33(8)：48-51
[112]吴立增,朱永利,苑津莎.基于贝叶斯网络分类器的变压器综合故障诊断方法[J].电工技术学报,2005,20(4)：45-51
[113]朱永利,吴立增,李雪玉.贝叶斯分类器与粗糙集相结合的变压器综合故障诊断[J].中国电机工程学报,2005,25(10)：159-165
[114]王永强,律方成,李和明.基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法[J].中国电机工程学报,2006,26(8)：137-141
[115]王永强,律方成,李和明.基于贝叶斯网络和DGA的变压器故障诊断[J].高电压技术,2004,30(5)：12-13,36
[116]王永强,律方成,李和明.基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法[J].电工技术学报,2004,19(12)：74-77
[117]赵文清.基于选择性贝叶斯分类器的变压器故障诊断[J].电力自动化设备,2011,31(2)：44-47
[118]耿兰芹,王芳,赵文清,等.SVM回归与朴素贝叶斯分类相结合的变压器故障诊断[J].华北电力大学学报,2006,33(6)：28-32
[119]黄辉先,肖桂枝,阳敏,等.RST和NBN用于电力变压器故障诊断[J].高电压技术,2009,35(7)：1589-1594
[120]Vapnik V N. The nature of statistical learning theory [M]. New York: Springer-Verlag,1995:181-218.
[121]Cristianini N, Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods [M]. New York:Cambridge University Press,2000:93-124
[122]吕干云,程浩忠,董立新,等.基于多级支持向量机分类器的电力变压器故障识别[J].电力系统及其自动化学报,2005,17(1)：19-22
[123]李冬萍.基于混沌粒子群优化的SVM分类器研究[J].计算机仿真,2010,27(4)：185-191
[124]刘东平,单甘霖,张岐龙,等.基于改进遗传算法的支持向量机参数优化[J].微计算机应用,2010,31(5)：11-15
[125]尚万峰,赵升吨,申亚京.遗传优化的最小二乘支持向量机在开关磁阻电机建模中的应用[J].中国电机工程学报,2009,29(12)：65-69
[126]孙即祥.现代模式识别,[M].北京：高等教育出版社,2008：454-494
[127]李国正,王猛,曾华军,等.支持向量机导论[M].北京：电子工业出版社,2004：1-105
[128]李春香,张为民,钟碧良.最小二乘支持向量机的参数优化算法研究[J].杭州电子科技大学学报,2010,30(4)：213-216
[129]李伟红,刘丽娟,龚卫国,等.人脸识别中基于均匀设计的SVM超参数调节方法[J].光电子.激光,2009,20(10)：1342-1347
[130]Duan K, Keerthi S, Poo A. Evaluation of simple performance measures for tuning SVM hyperparameters[J]. Neurocomputing,2003,51:41-59
[131]Chalimourda A, Scholkopf B, Smola A. Experimentally optimal v in support vector regression for different noise models and parameter settings [J]. Neural Networks,2004,17:127-141
[132]Sheng-wei Fei, Xiao-bin Zhang. Fault diagnosis of power transformer based on support vector machine with genetic algorithm [J]. Expert Systems with Applications,2009,36(8):11352-11357
[133]彭宁云.基于DGA技术的变压器故障智能诊断系统研究[D].武汉：武汉大学博士论文,2004：12-14
[134]李建坡.基于油中溶解气体分析的电力变压器故障诊断技术的研究[D].吉林：吉林大学博士论文,2008：3-10
[135]工双成.贝叶斯网络学习、推理与应用[M],立信会计出版社,2010：1-291
[136]章文,刘娟.基于相关向量机的多类蛋白质折叠识别[J].武汉大学学报(理学版),2008,54(3)：353-356
[137]朱世增,党选举.基于相关向量机的非线性动态系统辨识[J].计算机仿真,2008,25(6)：103-107
[138]周欣,秦晓东,吴瑛等.稀疏贝叶斯模型和相关向量机在信号识别中的应用[J].电路与系统学报,2011,16(6)：75-80
[139]洪智勇,刘华,邓维斌,等.基于粗糙集与相关向量机的文本分类新方法[J].计算机仿真,2010,27(7)：183-186
[140]赵榈,苏一丹,覃华,等.基于快速估计的相关向量机优化算法[J].计算机工程,2012,38(9)：205-207
[141]王敏,乔立山.一种基于相关向量机的白细胞检出新方法[J].南京航空航天大学学报(英文版),2010,27(3)：269-274
[142]丁二锐,曾平,姚勇,等.基于自适应约简相关向量机的光照色度估计[J].东南大学学报(英文版),2007,23(2)：202-205
[143]仕玉治,彭勇,周惠成,等.基于相关向量机的中长期径流预报模型研究[J].大连理工大学学报,2012,52(1)：79-84
[144]杨国鹏,周欣,余旭初,等.稀疏贝叶斯模型与相关向量机学习研究[J].计算机科学,2010,37(7)：225-228
[145]杨柳,张磊,张少勋,等.单核和多核相关向量机的比较研究[J].计算机工程,2010,36(12)：195-197
[146]范伊红,李敏,张元,等.相关向量机在车型识别中的应用研究[J].计算机工程与设计,2008,29(6)：1510-1511,1515
[147]沈跃,刘国海,刘慧,等.基于改进S变换和贝叶斯相关向量机的电能质量扰动识别[J].控制与决策,2011,26(4)：587-591
[148]杨颖涛,王跃钢,邓卫强,等.稀疏贝叶斯相关向量机的模拟电路故障诊断[J].计算机工程,2011,37(18)：7-9
[149]何飞,黎敏,阳建宏,等.基于小波相关向量机的产品质量模型[J].北京：北京科技大学学报,2009,31(7)：934-938
[150]杨颖涛,王跃钢,邓卫强,等.模糊核聚类相关向量机模拟电路故障诊断[J].计算机测量与控制,2011,19(8)：1827-1830
[151]杨颖涛,王跃钢,邓卫强,等.基于Fisher准则函数的相关向量机模拟电路故障诊断[J].计算机应用研究,2011,28(6)：2085-2087,2112
[152]陶新民,徐晶,杜宝祥,等.基于相空间RVM的轴承故障检测方法[J].振动与冲击,2008,27(10)：6-9
[153]徐翔,刘建伟,罗雄麟,等.基于信息向量机的神经活动分类和译码研究[J].计算机工程,2010,36(7)：198-199,202
[154]郑泽萍,王万良,郑建炜,等.基于保局部核RVM的说话人识别方法[J].计算机工程,2011,37(14)：208-210
[155]胡迪,董云峰.基于RVM回归的姿控系统多故障检测[J].电机与控制学报,2011,15(9)：68-73
[156]赵树延,于金涛,王翥,等.基于RVM的多功能自确认水质检测传感器[J].仪器仪表学报,2011,32(8)：1690-1696
[157]张昱,谢小鹏.基于遗传相关向量机的图像分类技术[J].计算机仿真,2011,28(5)：283-286
[158]段青,赵建国,马艳,等.基于稀疏贝叶斯学习的电力系统暂态稳定评估[J].电力自动化设备,2009,29(9)：36-40
[159]王春光,徐琪,陈刚,等.不同核函数RVM的冰凌检测能力比较[J].地理空间信息,2012,10(2)：67-69,75
[160]王立昆.基于RVM的手写体数字识别[D].西安：西安电子科技大学,2011
[161]段青.基于稀疏贝叶斯学习方法的回归与分类在电力系统中的预测研究[D].济南：山东大学,2010
[162]马田香.基于Probit模型的相关向量机分类器设计及应用[D].西安：西安电子科技大学,2012
[163]郝旭东.基于RVM-PF的卫星关键部件寿命预测[D].长沙：国防科学技术大学,2011
[164]乔立山,陈松灿,王敏,等.基于相关向量机的图像阈值技术[J].计算机研究与发展,2010,47(8)：1329-1337
[165]刘雪美,张晓辉,刘丰乐,等.喷杆喷雾机风助风筒相关向量机多目标优化设计[J].农业机械学报,2010,41(6)：75-80
[166]牛林,杜至刚,赵建国,等.基于相关向量机的交流特高压输电线路可听噪声的预测研究[J].电力自动化设备,2009,29(6)：71-76
[167]丁二锐,曾平,丁阳,等.一种新的回归型约简多分辨率相关向量机[J].控制与决策,2008,23(1)：65-69
[168]杨国鹏,周欣,余旭初,等.基于相关向量机的高光谱影像混合像元分解[J].电子学报,2010,38(12)：2751-2756
[169]杨国鹏,余旭初,周欣,等.基于相关向量机的高光谱影像分类研究[J].测绘学报,2010,39(6)：572-578
[170]刘慧,刘国海,沈跃,等.采用提升小波包和相关向量机的电能质量扰动分类[J].高电压技术,2010,36(3)：782-788
[171]吴慧兰,刘国栋,浦昭邦,等.基于相关向量机的惯性约束聚变实验靶识别技术研究[J].光学学报,2009,29(7)：1888-1891
[172]韩敏,赵耀,杨溪林,等.基于鲁棒相关向量机的转炉炼钢终点预报模型[J].控制理论与应用,2011,28(3)：343-350
[173]马海,王延江,胡睿,等.基于相关向量机的地层可钻性级值预测[J].中国石油大学学报(自然科学版),2010,34(2)：67-70
[174]邱浪波,王广云,王刚,等.相关向量机在肿瘤表达谱分类问题中的应用[J].中国生物医学工程学报,2008,27(1)：82-86
[175]黄帅栋,卫志农,高宗和,等.基于非负矩阵分解的相关向量机短期负荷预测模型[J].电力系统自动化,2012,36(11)：62-66
[176]范庚,马登武,邓力,等.基于灰色相关向量机的故障预测模型[J].系统工程与电子技术,2012,34(2)：424-428
[177]周勇,何创新.基于独立特征选择与相关向量机的变载荷轴承故障诊断[J].振动与冲击,2012,31(3)：157-161
[178]林乐科,张业荣,赵振维,等.微波辐射计探测大气剖面的相关向量机算法[J].电波科学学报,2009,24(1)：90-94
[179]张磊,刘建伟,徐翔,等.基于相关向量机的神经活动分类及译码[J].计算机工程,2009,35(20)：197-198,201
[180]沈跃,刘慧,谢洪波,等.基于贝叶斯相关向量机的脑电睡眠分期[J].江苏大学学报(自然科学版),2011,32(3)：325-329
[181]Tipping, M E. The Relevance Vector Machine [J]. Advances in Neural Information Processing Systems,2001,12:652-658.
[182]Bishop C M, Tipping M E. Variational relevance vector machines[C]. Proceedings of the 16th Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann,2000:46-53
[183]Tipping M E. Sparse Bayesian learning and the relevance vector machine [J]. Journal of Machine Learning Research,2001,1:211-244.
[184]段青,赵建国,马艳.基于粒子群优化的组合核函数相关向量机负荷预测模型[J].电机与控制学报,2010,14(6)：33-38
[185]何创新,李彦明,刘成良,等.基于滑动平均与相关向量机的齿轮早期故障智能诊断[J].振动与冲击,2010,29(12)：89-92
[186]杨成福,章毅.相关向量机及在说话人识别应用中的研究电子[J].科技大学学报,2010,39(2)：311-315
[187]陶新民,徐晶,杜宝祥,等.基于相空间RVM的轴承故障检测方法[J].振动与冲击,2008,27(10)：6-10
[188]Demir B, Erturk S. Hyperspectral Image Classification Using Relevance Vector Machines [J]. IEEE Geoscience and Remote Sensing Letters,2007,4(4): 586-590
[189]Gholami B, HaddadW M, Tannenbaum A R. Relevance Vector Machine Learning for Neonate Pain Intensity Assessment Using Digital Imaging [J]. IEEE Transactions on Biomedical Engineering,2010,57(6):1457-1466
[190]J. C. MacKay. The evidence framework applied to classiffication networks [J]. Neural Computation,1992,4(5):720-736
[191]Damoulas T, Ying Y, Girolami M A, et al. Inferring Sparse Kernel Combinations and Relevance Vectors:An application to subcellular localization of proteins [C]. In Proceedings of the 7th International Conference on Machine Learning and Applications (ICMLA2008), San Diego, USA,2008
[192]Psorakis I, Damoulas T, Girolami M A. Multiclass Relevance Vector Machines: Sparsity and Accuracy [J]. IEEE Transactions on Neural Networks,2010,21(10): 1588-1598
[193]Girolami M, Rogers S. Hierarchic Bayesian models for kernel learning [C]. In Proceedings of the 22nd International Conference on Machine Learning, Bonn, Germany,2005,241-248
[194]Albert J, Chib S. Bayesian analysis of binary and polychotomous response data[J]. Journal of the American Statistical Association,1993,88:669-679
[195]Damoulas T, Girolami M A. Probabilistic multi-class multi-kernel learning:On protein fold recognition and remote homology detection [J]. Bioinformatics, 2008,24(10):1264-1270
[196]Damoulas T, Girolami M A. Combining feature spaces for classification [J]. Pattern Recognition,2009,42(11):2671-2683
[197]Damoulas T, Girolami M A. Probabilistic multi-class multi-kernel learning:On protein fold recognition and remote homology detection [J]. Bioinformatics, 2008,24(10):1264-1270
[198]梁小冰,王耀龙,黄萍等.基于DGA的变压器故障诊断多专家融合策略[J].电力系统自动化,2005,29(18)：80-84
[199]彭剑,罗安,周柯等.变压器故障诊断中信息融合技术的应用[J].高电压技术,2007,33(3)：144-147
[200]董明,严璋,杨莉等.基于证据推理的电力变压器故障诊断策略[J].中国电机工程学报,2006,26(1)：106-114
[201]陈玉立.信息融合技术在变压器故障诊断中的应用[D].成都：西南交通大学,2006
[202]袁蕾.电力变压器试验数据和征兆现象的故障融合诊断方法[D].重庆：重庆大学,2010
[203]胡文平.基于智能信息融合的电力设备故障诊断新技术研究[D].武汉：华中科技大学,2005
[204]秦丽伟.基于智能信息融合的油浸式电力变压器故障诊断[D].济南：山东大学,2009
[205]田晓霄.变压器故障多信息融合诊断方法研究[D].重庆：重庆理工大学,2011
[206]宋绍民.基于多特征的变压器故障免疫诊断方法研究[D].长沙：中南大学,2006
[207]Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection [C]. Proceedings of the 14th international joint conference on artificial intelligence (IJCAI), San Francisco, CA, USA,1995:1137-1143
[208]Leisch F, Jain L C, Hornik K. Cross-validation with active pattern selection for neural network classifiers [J]. IEEE Transaction on Neural Network,1998,9(1): 35-41
[209]Stone M. Cross-validatory choice and assessment of statistical predictions [J]. Journal of the Royal Statistical Society,1974,36(2):111-147
[210]汤宝平,刘文艺,蒋永华.基于交叉验证法优化参数的Morlet小波消噪方 法[J].重庆大学学报,2010,33(1)：1-6
[211]卢恒,凌震华,雷鸣,等.基于最小生成误差的HMM模型聚类自动优化[J].模式识别与人工智能,2010,29(6)：822-828
[212]Affenzeller M, Winkler S, Wagner S, et al. Genetic Algorithms and Genetic Programming:Modern Concepts and Practical Applications [M]. New York: CRC,2009:1-22
[213]王小平,曹立明.遗传算法-理论、应用与软件实现[M].西安：西安交通大学出版社,2002：1-17
[214]Saitta L. Machine learning:a technological roadmap[R]. The Netherlands: Univ. of Amsterdam,2000.
[215]Ling C X, Sheng V S. A comparative study of cost-sensitive classifiers [J]. Chinese J of Computers,2007,30(8):1023-1211.
[216]Diamantini C, Potena D. Bayes vector quantizer for classimbalance problem [J]. IEEE Trans on Knowledge and Data Engineering,2009,21(5): 638-651.
[217]刘金福,于达仁,胡清华,王伟.基于加权粗糙集的代价敏感故障诊断方法[J].中国电机工程学报,2007,27(23)：93-99
[218]吴薇,胡静涛.基于代价敏感直推式学习的故障诊断方法[J].2010,31(5)：1074-1078
[219]唐明珠,阳春华,桂卫华,等.代价敏感概率神经网络及其在故障诊断中的应用[J].控制与决策,2010,25(7)：1074-1078
[220]李祖定.BP神经网络的代价敏感学习算法研究[D].武汉：华中科技大学,2009
[221]Turney P D. Cost-Sensitive Classification:Empirical Evaluation of a Hybrid Genetic Decision Tree Induction Algorithm. Journal of Artificial Intelligence Research,1995,2(1):369-409
[222]Ling C X, Yang Q, Wang J N, et al. Decision Trees with Minimal Costs[C]. Proceedings of the Twenty-First International Conference on Machine Learning, New York, NY, USA,2004:69-76
[223]Domingos P. MetaCost:A General Method for Making Classifiers Cost-Sensitive[C]. Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, New York, NY, USA, 1999:155-164
[224]Chai X Y, Deng L, Yang Q, et al. Test-Cost Sensitive Naive Bayesian Classification[C]. Proceedings of the Fourth IEEE International Conference on Data Mining, Washington, DC, USA,2004:51-58
[225]Ting K M. Inducing Cost-Sensitive Trees via Instance Weighting[C]. Proceedings of the Second European Symposium on Principles of Data Mining and Knowledge Discovery, London, UK,1998:139-147
[226]Zadrozny B, Langford J, Abe N. Cost-Sensitive Learning by Cost-Proportionate Example Weighting[C]. Proceedings of the 3th International Conference on Data Mining, Washington, DC, USA,2003:435-442
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |