基于AdaBoost的局部放电综合特征决策树识别方法
adaboost算法
• Adaboost 算法分析
该算法其实是一个简单的弱分类算法提升过程， 这个过程通过不断的训练，可以提高对数据的 分类能力。
1、先通过对N个训练样本的学习得到第一个 弱分类器；
2、将分错的样本和其他的新数据一起构成一 个新的N个的训练样本，通过对这个样本的学 习得到第二个弱分类器；
3、将1和2都分错了的样本加上其他的新样本 构样成 本另的一学个习新得的到第N个三的个训弱练分样类本器，通过对这Bsca个hcokotlo
31
Thank you!
32
8
• Adaboost 算法分析
针对以上两个问题，AdaBoost算法进行了调整：
1. 使用加权后选取的训练数据代替随机选取的训 练样本，这样将训练的焦点集中在比较难分的训 练数据样本上；
2. 将弱分类器联合起来，使用加权的投票机制代
替平均投票机制。让分类效果好的弱分类器具有
较大的权重，而分类效果差的分类器具有较小的
4、最终经过提升的强分类器。即某个数据被
分为哪一类要通过......的多数表决。
7
• Adaboost 算法分析
对于boosting算法，存在两个问题： 1. 如何调整训练集，使得在训练集上训练的弱 分类器得以进行； 2. 如何将训练得到的各个弱分类器联合起来形 成强分类器。
Back to school
12
• Adaboost 算法步骤
Adaboost算法是经过调整的Boosting算法，其 能够对弱学习得到的弱分类器的错误进行适应性 (Adaptive)调整。上述算法中迭代了T次的主循环， 每一次循环根据当前的权重分布对样本x定一个 分布P，然后对这个分布下的样本使用弱学习算 法得到一个弱分类器，对于这个算法定义的弱学 习算法，对所有的样本都有错误率，而这个错误 率的上限并不需要事先知道，实际上。每一次迭 代，都要对权重进行更新。更新的规则是：减小 弱分类器分类效果较好的数据的概率，增大Bscah弱cokotl分o 类器分类效果较差的数据的概率。最终的分类器 是个弱分类器的加权平均。
adaboost algorithm based on model decision tree
adaboost algorithm based on model decision tree 1. 引言1.1 概述本文主要介绍基于决策树的Adaboost算法。
Adaboost是一种常用的集成学习算法，通过将多个弱分类器进行逐步训练和集成，从而构建一个性能优秀的分类器。
决策树作为其中最基本的弱分类器之一，被广泛应用于Adaboost算法中。
本文将深入探讨Adaboost算法的原理、模型训练过程以及基于决策树的Adaboost算法实现方法。
1.2 文章结构本文共分为五个部分。
首先在引言部分进行整体概述和目标阐述。
接下来，在第二部分将介绍Adaboost算法的基本原理和实现方式，包括决策树模型简介、Adaboost原理解析以及模型训练过程。
第三部分将详细说明基于决策树的Adaboost算法实现方法，并对其流程进行概述。
第四部分将对Adaboost算法进行应用与优缺点分析，包括数据集准备与特征选择方法、基于Adaboost的分类器性能评估指标介绍以及在实际应用中的优缺点分析。
最后，在第五部分给出全文总结和后续研究方向展望。
1.3 目的本文的目标是深入介绍基于决策树的Adaboost算法，并对其原理、实现和应用进行详细解析。
通过本文的阐述，读者将了解Adaboost算法在机器学习领域的重要性和应用前景，以及利用决策树模型提升Adaboost算法性能的方法。
此外，本文还将探讨Adaboost算法在实际应用中存在的优缺点，帮助读者全面评估其适应性和局限性。
最后，本文也会指出一些后续研究方向，鼓励读者进一步拓展相关领域的研究工作。
2. Adaboost算法2.1 决策树模型简介决策树是一种常见的机器学习模型，它通过对数据集进行分割来构建一个树状的分类或回归模型。
决策树的每个内部节点表示一个特征属性，每个叶子节点表示一个类别或数值。
决策树的构建过程是递归的，通过选择最佳的特征和切分点来在每次划分时减少信息熵或基尼系数等衡量指标。
基于集成学习的Adaboost演化决策树算法
Ａｂ ｔａ ｔ ｓｒ ｃ
Ｅ ｏｕ ｉｎ ｒ ｅ ｉｉｎ ｔｅ ｔｏ ａ ｈ ｄ ａ ｔｇ ｆｇｏ ａ ｅ ｈ Ｂ ｓ ｄ ｏ ｈ ｒ ｍｅ ｏ ｋ ｏ ｎ ｅ ｅ ｌａ ｎｎ ｔ ｓ ｐ ｐ ｒ ｖ ｌ ｔ ａ ｙ ｄ ｃｓｏ ｒ ｅ ｍｅｈ ｄ ｈ ｓ ｔ ｅ ａ ｖ ｎ ａ ｅ ｏ ｌｂ ｌ ￣ｃ ． ａ ｅ ｎ ｔ ｅ ｆａ ｗ ｒ ｆｅ ｓ ｍｂ ｌ ｅ ｒ ｉ ｇ ｈｉ ａ ｅ ｏ ｓ
化 决 策 树 算 法 ， 对基 本 遗 传 算 子 加 以改 进 。 实 验 结 果 表 明 Ａ ａｏｓ 演 化 决 策 树 能 在 较 短 的演 化 代 数 内得 到 较 高 的预 测 准 确 度 。 并 ｄ ｂｏｔ
关键词
决策树
演化算法
集成 学习
Ａｄａ ｏ ｓ ｂ ｏ ｔＥＶＯＬＵＴＩ ＯＮＡＲＹ ＤＥＣＩ Ｉ Ｓ ＯＮ ＴＲＥＥＳ ＢＡＳ ＥＤ ＯＮ ＥＮＳ ＥＭ ＢＬＥ ＬＥＡＲＮＩ ＮＧ
．
＾
Ｋｅ ｗｏ ｄ ｙ ｒｓ
Ｄｅ ｉ ｏ ｒ ｅ Ｅｖ ｌ ｔ ｎ ｒ ｏ ｕ ａ ｉｎ Ｅｎ ｅ ｌ ｅ ｒ ｉ ｇ ｃｓ ｎ ｔ ｉ ｅ ｏ ｕ ｉ ａ ｙ ｃ ｍｐ ｔｔ ｏ ｏ ｓ ｍｂｅ ｌａ ｎ ｎ
１ 引 言
决策树算法是一种使用树型结构 的模型对未知数据进行 预 测的分类算法 ， 具有准确度较 高 ， 易于理解等优点 。 构造决策树 时 ， 在 的 一个 难 题是 如 何选 择 较好 的属 性 存
２ Ａ ａ ｏ ｓ 演化决策树算法 ｄ ｂ ｏｔ
本文 基于集成 学习框架 ， 设计并 实现 了 Ａ ａｏｓ演 化决策 ｄ ｂｏｔ 树算法 ， 同时针对树型结构 的特点 ， 改进 了遗传算法 中的基本遗 传算子 。
adaboost案例
adaboost案例摘要：1.简介2.AdaBoost 算法原理3.AdaBoost 算法应用案例4.总结正文：1.简介AdaBoost（Adaptive Boosting）是一种自适应增强算法，由Yoav Freund 和Robert Schapire 于1995 年提出。
它是一种基于Boosting 算法的集成学习方法，通过组合多个弱学习器（决策树）来提高预测性能。
AdaBoost 算法具有良好的泛化能力，广泛应用于数据挖掘、机器学习等领域。
2.AdaBoost 算法原理AdaBoost 算法主要包含两个核心部分：加权训练和加权组合。
（1）加权训练：对于每个训练样本，算法根据当前弱学习器的预测结果，赋予样本不同的权重。
错误分类的样本权重增加，正确分类的样本权重减小。
然后，根据新的权重对样本进行加权训练，得到新的弱学习器。
（2）加权组合：多次迭代训练弱学习器，每次迭代过程中，选择加权误差最小的弱学习器作为当前强学习器。
最后，将所有弱学习器按权重组合成最终的强学习器。
3.AdaBoost 算法应用案例假设有一个手写数字识别问题，我们可以使用AdaBoost 算法来提高识别准确率。
（1）收集数据：收集手写数字的数据集，如MNIST 数据集。
（2）特征提取：将数字图片转换为特征向量，如使用HOG（Histogram of Oriented Gradients）特征。
（3）训练弱学习器：使用决策树作为弱学习器，对训练数据进行加权训练。
（4）组合强学习器：将多个弱学习器按权重组合成强学习器。
（5）测试与评估：使用测试数据集评估强学习器的性能。
4.总结AdaBoost 算法是一种有效的集成学习方法，通过组合多个弱学习器来提高预测性能。
其核心思想是加权训练和加权组合，具有良好的泛化能力。
adaboost分类算法
adaboost分类算法
Adaboost（Adaptive Boosting）是一种集成学习（Ensemble Learning）方法，用于解决二分类问题。
它通过组合多个弱分类器（weak classifiers）来构建一个强分类器（strong classifier）。
以下是Adaboost分类算法的主要步骤：
1. 初始化权重：对于N个训练样本，初始化每个样本的权重为相等值，即w1=1/N, w2=1/N, ..., wN=1/N。
2. 对于每个弱分类器：
a. 训练一个弱分类器，该分类器在当前样本权重下能够取得较低的分类错误率。
b. 计算该弱分类器的权重，该权重取决于该分类器的分类错误率。
分类错误率越小，权重越大。
3. 更新样本权重：根据当前的弱分类器的权重，调整每个样本的权重。
如果某个样本被错误分类，则增加它的权重，反之减少。
4. 重复步骤2和步骤3，直到所有的弱分类器都被训练完毕。
5. 构建强分类器：将每个弱分类器的权重与它们的预测结果组合起来，得到最终的强分类器。
6. 对新样本进行分类：根据强分类器，对新的样本进行分类。
Adaboost算法通过迭代地调整样本权重，训练并组合多个弱
分类器来提高分类性能。
弱分类器通常是基于一些简单的特征或规则进行分类。
每个弱分类器的权重根据其分类性能进行调整，以便对常被错误分类的样本给予更多的关注。
Adaboost算法在实际应用中表现出较好的性能，能够有效地处理复杂的分类问题。
它具有较强的鲁棒性和泛化能力，能够自适应地调整样本权重，对数据中的异常或噪声具有较强的抵抗力。
基于AdaBoost.M2和神经模糊系统的植物识别算法
Journal of Computer Applications计算机应用，2018, 38(4): 960 - 964ISS N 1001-9081C ODE N J Y I I D U2018-04-10http://w w 文章编号：1001-9081(2018)04-0960-05 DOI：10.11772/j. issn. 1001-9081.2017092342基于AdaBoost. M2和神经模糊系统的植物识别算法雷建椿'何金国(中央民族大学理学院，北京100081)(*通信作者电子邮箱leijianchun@ muc. edu. cn)摘要：为提高传统神经模糊系统（NFS)在植物识别领域对于相似植物样本的识别能力，提出了 AdaBoost. M2- NFS算法。
该算法首先对传统NFS进行改进以便融合，然后将新NFS与AdaBoost. M2结合得到AdaBoost. M2-NFS新 模型。
在Iris数据集上实验结果表明：新模型与单个NFS相比，识别率增加了 3.33个百分点；与线性支持向量机(SVM)相比，识别率增加了 1.11个百分点；与Softmax相比，识别率增加了 3.33个百分点。
根据敏感性和特异性分析 可知，所提模型对于线性不可分数据分类效果比对线性可分数据分类效果好；同时，由于AdaBoost. M2的改进，使得所 提算法在植物识别领域具备快速成型和高泛化能力。
关键词：AdaBoost. M2;神经模糊系统;植物识别；支持向量机中图分类号:TP391.41 文献标志码:APlant recognition algorithm based on AdaBoost. M2 and neural fuzzy systemLEI Jian ch u n，HE Jinguo(C ollege of S cien ce, M in zu U n iversity of C h in a, B eijing 100081, C h in a)Abstract：A n AdaBoost.M2-N F S model was presented to improve the recognition rate of traditional Neural Fuzzy System (N F S)towards similar plants.T he traditional N F S was improved for fusion,and then the n e w N F S was combined with AdaBoost.M2 to get a n e w AdaBoost.M2-N F S model.Experimental results show that the n e w model increases the recognition rate by3. 33 percentage points compared with the single N F S;compared with the linear Support Vector Machine (S V M),i t s recognition rate increases by1.11 percentage points;compared with Softmax,its recognition rate increases by3. 33 percentage points.Based on sensitivity and specificity analysis,the non-linear data can get better classification result than the linear data by the proposed algorithm.At the same time,due to the improvement of AdaBoost.M2, the n e w algorithm has the advantages of modeling quickly and high generalization ability in the field of plant recognition.Key words：AdaBoost.M2; Neural Fuzzy System (N F S);plant recognition;Support Vector Machine (S V M)〇引言借助计算机技术的发展，植物识别工作不断被推进，但是 目前并未有一套识别理论能完全正确地识别植物，因此不断 完善植物识别方法具有一'定意义。
adaboost分类算法
adaboost分类算法Adaboost（Adaptive Boosting）是一种机器学习中常用的集成学习算法。
它通过迭代训练多个弱分类器来构建一个强分类器，每个弱分类器都专注于被前一个分类器分错的样本，从而提高整体分类的准确率。
本文将详细介绍Adaboost 算法的原理、步骤以及应用场景。
一、Adaboost算法原理Adaboost通过迭代训练多个弱分类器，并根据每个分类器的分类错误率来调整样本的权重，从而构建出一个强分类器。
其基本思想是将若干个分类器进行组合，每个分类器按照一定的权重进行加权求和，最终得到分类结果。
具体来说，Adaboost算法通过以下几个步骤完成分类过程：1. 初始化样本权重：对于给定的训练数据集，给每个样本分配一个初始的权重，初始时可以将每个样本的权重设置为相等。
2. 训练弱分类器：选择一个弱分类器作为基分类器，并根据当前样本的权重进行训练。
训练过程中，会根据分类结果的准确性更新样本权重。
3. 更新样本权重：根据上一步训练得到的弱分类器，计算误差率，并根据误差率调整每个样本的权重。
分类正确的样本权重会减小，分类错误的样本权重会增大。
这样，下一轮迭代时，分类器会更加关注被错误分类的样本。
4. 更新分类器权重：根据误差率计算当前分类器的权重，权重与误差率成负相关，误差率越低，分类器权重越高。
5. 归一化分类器权重：对分类器权重进行归一化处理，使得所有分类器的权重之和为1。
6. 终止条件：根据事先设定的迭代次数或错误率阈值，判断是否满足终止条件。
如果不满足，返回第2步，继续训练新的弱分类器；如果满足，则将所有弱分类器组合成一个强分类器。
二、Adaboost算法步骤详解1. 初始化样本权重在Adaboost算法中，每个样本都有一个对应的权重，初始时可以将每个样本的权重设置为相等。
这样做的目的是保证每个样本在开始的时候都有相同的重要性，不会因为某些样本的权重过大而引起偏差。
2. 训练弱分类器在Adaboost算法中，弱分类器可以选择多种，如决策树、神经网络等。
AdaBoost算法原理与使用场景
AdaBoost算法原理与使用场景AdaBoost（Adaptive Boosting）算法是一种常见的集成学习算法，它通过结合多个弱学习器来构建一个强学习器，被广泛应用于各种机器学习领域。
本文将介绍AdaBoost算法的原理和使用场景。
一、原理1.1 弱学习器的构建在AdaBoost算法中，我们需要使用多个弱学习器，这些弱学习器可以是任何能够做出有意义的预测的模型，比如决策树、朴素贝叶斯等。
我们一般选择使用决策树作为弱学习器，因为决策树容易生成并且训练快。
为了让每个弱学习器能够有不同的预测能力，我们需要对训练集进行加权。
初始时，所有样本的权重都是相同的。
在每一轮迭代中，我们根据上一轮的分类结果来调整每个样本的权重。
被错误分类的样本权重会增加，而被正确分类的样本权重则会减小。
1.2 加权平均法在构建多个决策树后，我们需要将所有的弱学习器进行加权平均。
对于每个训练样本，我们根据各个弱学习器的权重对样本进行分类，然后对所有弱学习器的分类结果进行加权平均，得到最终的预测结果。
1.3 重要性加权法由于AdaBoost算法使用加权平均法来构建分类器，所以在每个弱学习器中，我们需要为每个样本赋予一个重要性权重。
重要性权重是根据样本在前一轮中被错误分类的次数来确定的。
被错误分类的样本会得到一个较大的权重，而被正确分类的样本会得到一个较小的权重。
二、使用场景AdaBoost算法在各种机器学习场景中都有着广泛的应用。
比如在图像分割中，我们可以使用AdaBoost算法来识别和分割不同的图像区域。
在文本分类中，我们可以使用AdaBoost算法来对不同文本的内容进行分类。
此外，AdaBoost算法还可以被用于各种预测领域，如股票趋势分析、信用评估等。
三、总结AdaBoost算法是一种高效的集成学习算法，它的原理简单、易于理解，并且在各种机器学习场景中都有着广泛的应用。
通过使用AdaBoost算法，我们可以结合多个弱学习器来构建一个强学习器，从而提高分类的准确性和稳定性。
adaboost算法原理
聚类和分类的区别是什么？一般对已知物体类别总数的识别方式我们称之为分类，并且训练的数据是有标签的，比如已经明确指定了是人脸还是非人脸，这是一种有监督学习。
也存在可以处理类别总数不确定的方法或者训练的数据是没有标签的，这就是聚类，不需要学习阶段中关于物体类别的信息，是一种无监督学习。
Haar分类器实际上是Boosting算法的一个应用，Haar分类器用到了Boosting算法中的AdaBoost算法，只是把AdaBoost算法训练出的强分类器进行了级联，并且在底层的特征提取中采用了高效率的矩形特征和积分图方法。
在2001年，Viola和Jones两位大牛发表了经典的《Rapid Object D etection u sing a Boosted》【2】，在AdaBoost》【1】和《Robust Real-Time Face DetectionCascade of Simple Features算法的基础上，使用Haar-like小波特征和积分图方法进行人脸检测，他俩不是最早使用提出小波特征的，但是他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。
这可以说是人脸检测史上里程碑式的一笔了，也因此当时提出的这个算法被和Jochen Maydt两位大牛将这个称为Viola-Jones检测器。
又过了一段时间，Rainer Lienhart检测器进行了扩展《An Extended Set of Haar-like Features for Rapid Object Detection》【3】，最终形成了OpenCV现在的Haar分类器。
Haar分类器 = Haar-like特征 + 积分图方法 + AdaBoost + 级联；Haar分类器算法的要点如下：①使用Haar-like特征做检测。
）对Haar-like特征求值进行加速。
②使用积分图（Integral Image③使用AdaBoost算法训练区分人脸和非人脸的强分类器。
Adaboost算法应用论文
Adaboost算法应用论文摘要：在检测色情图片时，提取出人体关键部位特征信息与姿态信息，利用机器统计学习方法训练出一些分类器模型，进而形成一个决策分类器来实现对图片的分类，同时尽可能地优化算法，提高算法的时效性与准确性。
1 Adaboost算法简介Adaboost算法是数据挖掘技术中的常用的迭代算法之一，属于特征分类机器学习算法。
该算法解决问题的步骤如下：①选择训练样本集M，确定其中正例样本X和负例样本Y，并设定最大的训练循环次数T;②设置训练样本的初始化概率分布值为1/n，即初始化样本的权重值;③迭代过程：a根据样本的概率分布训练弱分类器;b求解计算出弱分类器的错误率;c再选择确定一个合适的阈值，减小误差，使误差最小;d根据上述结果更改样本权重值。
经过循环T次后，就会得到T个弱分类器，按照它们更新的权重进行叠加，将得到最终的强分类器，问题求解完成。
2 Adaboost算法在图像定位与过滤中的研究应用2.1 肤色检测模型色情网站中都含有大量的色情照片，而色情照片最典型的特征就是照片中皮肤裸露面积较大，肤色检测模型就是快速定位人体裸露区域的，该模型目前主要有基于像素、基于区域两大类建模方法。
目前大多采用归一化RGB和YIQ空间上基于像素定位的肤色检测模型。
在归一化的RGB颜色空间上计算某像素的r=R/（R+G+B）、g=G/（R+G+B），如果它们同时满足下面四个条件：0.333<r<0.664;0.246<g<0.398;r>g;g≥0.5-0.5r。
基本上就可以判定该像素是皮肤的颜色了，但是对于有些像素颜色还是不能准确判定的，这就需要引进YIQ颜色空间来进一步判断了。
YIQ颜色空间与RGB颜色空间的关系可用公式表示为：YIQ=0.299 0.587 0.1140.596 -0.274-0.3220.211 -0.523 -0.312·RGB利用上述公式可以求出I分量的值，如果15≤I≤80，这时就可以断定该像素属于皮肤的颜色了。
基于算法的分类器设计中的AdaBoost算法应用案例分析
基于算法的分类器设计中的AdaBoost算法应用案例分析随着大数据时代的到来，算法在各个领域的应用越来越广泛。
其中，分类器设计是机器学习领域的重要研究方向之一。
在分类器设计中，AdaBoost算法以其高准确率和可靠性而备受关注。
本文将以案例分析的方式，介绍AdaBoost算法在分类器设计中的应用。
一、算法简介AdaBoost算法是一种集成学习的方法，通过将若干个弱分类器的结果进行线性组合，得到一个强分类器。
算法的核心思想是，将分类错误的样本进行加权，对分类正确的样本进行降权，从而提高整体分类器性能。
其基本步骤如下：1. 初始化训练集样本权重，使其相等。
2. 迭代选择最佳弱分类器，将其加入到强分类器集合中。
3. 根据分类错误率更新样本权重。
4. 重复步骤2和3，直至达到预定迭代次数或分类器性能满足要求。
5. 输出最终的强分类器。
二、案例分析：垃圾邮件分类器设计我们以垃圾邮件分类器设计为案例，来说明AdaBoost算法的应用。
1. 数据准备我们收集了大量的垃圾邮件和非垃圾邮件样本，分别构成了两个分类（垃圾、非垃圾）的训练数据集。
样本以邮件的文本内容和邮件的其他特征作为特征向量。
2. 特征提取对于邮件文本内容，我们采用了词袋模型进行特征提取。
将邮件文本转化为词频统计向量，作为分类器的输入特征。
此外，还加入了一些其他特征，如发件人、主题等。
3. 弱分类器选择在AdaBoost算法中，我们选择了决策树作为弱分类器。
决策树能够通过特征的划分，对样本进行分类。
4. 弱分类器训练和权重更新我们首先对整个训练样本集进行初次训练，并根据分类错误率计算弱分类器的权重。
随后，调整样本的权重，使分类错误的样本权重增加，分类正确的样本权重减小。
5. 强分类器构建通过迭代选择最佳的弱分类器，将其加入到强分类器集合中，逐步提高分类器的性能。
6. 分类器评估使用测试数据集对最终构建的分类器进行评估。
计算精确度、召回率、F1值等评价指标。
机器学习中常用的集成学习方法介绍(Ⅲ)
在机器学习领域中，集成学习方法是一种常用的技术，它通过结合多个模型的预测结果，来提高整体的预测准确性和鲁棒性。
集成学习方法可以分为Bagging、Boosting和Stacking三种主要类型。
每种类型都有其独特的特点和适用场景。
本文将介绍这三种集成学习方法的基本原理和应用。
Bagging是一种并行式的集成学习方法，它通过随机抽样生成多个训练数据集，并使用这些数据集分别训练多个基学习器。
在预测时，将多个基学习器的结果进行平均或投票，来得到最终的预测结果。
Bagging方法通常用于降低模型的方差，提高模型的稳定性。
其中最为著名的算法是随机森林(Random Forest)。
随机森林是一种基于决策树的Bagging方法，它通过随机选择特征和样本，来训练多棵决策树，并将它们组合成一个强分类器。
随机森林在处理高维数据和大规模数据集时表现出色，因此在实际应用中得到了广泛的应用。
Boosting是一种序列式的集成学习方法，它通过反复修改数据权重和训练基学习器，来逐步改进模型的性能。
Boosting方法通常用于降低模型的偏差，提高模型的预测能力。
其中最为著名的算法是AdaBoost和Gradient Boosting。
AdaBoost是一种基于误差加权的Boosting方法，它通过计算每个基学习器的误差率，并调整样本权重，来训练下一个基学习器。
Gradient Boosting是一种基于梯度下降的Boosting方法，它通过拟合残差来逐步改进模型的拟合能力。
Gradient Boosting的高性能和灵活性使其成为了许多数据科学竞赛中的优胜算法。
Stacking是一种元集成学习方法，它通过结合多种基学习器的预测结果，并使用元模型进行再训练，来得到最终的预测结果。
Stacking方法通常用于解决复杂的预测问题，提高模型的泛化能力。
其中最为著名的算法是Blending和Stacked Generalization。
如何使用Adaboost算法进行分类和预测
如何使用Adaboost算法进行分类和预测Adaboost算法是一种十分重要的机器学习算法，其主要应用在分类和预测问题上。
该算法旨在通过组合多个弱分类器来形成一个强分类器，从而提高模型的分类准确度。
在本文中，我们将探讨如何使用Adaboost算法进行分类和预测。
一、Adaboost算法背景介绍Adaboost是“Adaptive Boosting”的缩写，它的核心思想是训练多个分类器模型，然后将这些模型组合在一起，形成一个更加强大的分类器。
Adaboost算法最早是由Freund和Schapire在1996年提出，随后受到了广泛的应用。
Adaboost算法的流程如下：首先，我们需要准备训练集。
然后，我们需要使用一个简单的分类器（也称为弱分类器）对训练集进行分类。
在进行分类后，我们需要对分类错误的数据点进行加权，使其在下一次分类中得到更高的注意度。
接下来，我们使用同样的方法再次训练分类器，直到达到预设的最大迭代数或是满足预设的分类准确度。
最后，我们将所有分类器组合在一起，形成一个强分类器。
二、Adaboost算法分类和预测的步骤Adaboost算法广泛应用于分类和预测问题，可以应用于多种类型的数据集，如图像识别、语音识别和自然语言处理等。
在实际应用中，Adaboost算法的分类和预测步骤一般如下：1. 准备训练集在进行分类和预测之前，我们必须准备训练集。
训练集应该包含已经被标记的数据点以及它们的分类标签。
对于多个类别的分类问题，我们需要为每个类别分别准备训练集。
2. 选择弱分类器在选择弱分类器时，我们需要选择一个简单的分类器。
这种分类器可以是决策树、朴素贝叶斯分类器、支持向量机和神经网络等。
选择合适的弱分类器非常重要，因为它将直接影响分类和预测结果的准确性。
3. 训练弱分类器在训练弱分类器时，我们需要建立一个初始的权重向量，然后使用该向量对训练数据集进行分类。
分类错误的数据点将会得到更高的权重，而分类正确的数据点将会得到较低的权重。
雷达发射器识别方法基于AdaBoost和决策树说明书
2nd International Conference on Automation, Mechanical Control and Computational Engineering (AMCCE 2017)Radar emitter recognition method based on AdaBoost and decision tree Tang Xiaojing1, a, Chen Weigao1 and Zhu Weigang11Equipment Academy, Beijing 101614, China.a********************Keywords:AdaBoost, decision tree, classifier, radar emitter recognitionAbstract: For the poor real-time, robustness and low recognition accuracy of traditional radar emitter recognition algorithm in the current high density signal environment, this paper studied a kind of radar source recognition algorithm based on decision tree and AdaBoost. Firstly, the information gain can be used to construct single decision tree. Then using AdaBoost algorithm to train the weak classifier, and get a strong classifier. Finally, get the recognition results through the strong classifier. Simulation results show that the recognition accuracy of proposed method can reach 93.78% with 10% parameter error, and the time consumption is lower than 1.5s, which has a good recognition effect.1. IntroductionEmitter recognition can analyze the intercepted radar signals by the identification database, and provide reference for grasp enemy radar technical parameters, activity rule, threat level and development [1]. But in current high density complex signal environment, the traditional radar source recognition methods such as template matching[2], expert knowledge[3, 4] and neural network [5-7], have problem of poor recognition accuracy rate or poor timeliness, this will inevitably lead to the subsequent estimation of threat situation of incomplete, inaccurate, and lack of key information to guide interference [8]. To solve this problem, this paper studied a radar emitter recognition algorithm based on decision tree and AdaBoost [9]. Firstly, by changing the weights of training samples, AdaBoost method build a strong classifier from learning multiple weak classifiers to obtain better classification results. Then due to the decision tree method of simple in principle and strong robustness, it’s very suitable for the weak classifier. Therefore, considering to combine the advantage of two algorithms to construct the new radar source recognition method.2. Basic principles of AdaBoost algorithmThe Boosting algorithm originated [10] from Probably Approximately Correct learning model proposed by Valiant. It’s a good method to improve the accuracy of any given learning algorithm. The basic principle of boosting is the classification problem, this method use training sample to learn weak classifiers, change the weight and get a strong classifier. Adaptive Boosting algorithm does not need to know the exact distribution of sample space, only through comparing the classification accuracy for each sample to determine the weight of samples. The superiority of AdaBoost are reflected in the following aspects: high-precision; improve the generalization ability by reducing the training error; strong flexibility.3. The basic principle of decision tree algorithm based on information gainDecision Tree [10, 11] is one of the important algorithms in machine learning and data mining. It’s easy to understand and implement, has good robustness and predictive performance, so it’s widely used in various fields. Decision Tree is a prediction model of classification tree structure, which represents the mapping attribute relationship between the each object. The decision Stump is a typical simple decision tree, it’s only based on a single feature to make decisions. Because the tree has only a split process, the data processing is very rapid, simple, and good in real time, but the recognition result is not good, so the Decision Stump is very suitable as a weak classifier.Copyright © 2017, the Authors. Published by Atlantis Press.This is an open access article under the CC BY-NC license (/licenses/by-nc/4.0/). 3264. The step of radar emitter recognition based on AdaBoost and decision treeComparing with support vector machine, artificial neural network and other complex learning algorithms, the performance of single decision tree algorithm is weakness. However, a large number of research results show that the performance of the decision tree integration algorithm is often superior to other algorithms and their integration in many practical fields. Considering the current condition faced by radar source recognition, large volume of data, accuracy, real-time, new unknown signal recognition and other practical requirements, combining with the AdaBoost decision tree method has the advantages of high accuracy, strong generalization ability and good real-time, this paper studied a radar emitter recognition method, which based on decision tree andupdates i o a s Fig. 1 Radar source identification process based on AdaBoost and decision tree①The information gain of each feature is calculated based on the prior knowledge of database, and the feature of the maximum information gain is selected to partition data set. ②The initial weights of the training data are set, the classification error rate is calculated, and updated the weight distribution of training data according to the classification error, get the weight of weak classifier. ③With each iteration, until the training error is zero or weak classifier number reach the specified value, construct the strong classifier by calculating the weights of weak classifiers, at last using the strong classifier to classifier the received unknown radar signal. 5. Simulation experiment analysisIn order to verify the effectiveness of the radar source recognition algorithm based on decision tree and AdaBoost, 9 kinds of radar sources are simulated as known prior knowledge, DOA, PA, PW, RF, PRF, BW are selected as features, each radar source sample feature information as shown in table 1.327Table 1 Known radar emitter sample characteristic informationRadar DOA/(°) PA PW/(μs) RF/(MHz) PRF/(Hz) BW/(Hz) Sample numberType Range Type Range1 48～50 5～15 1.2～1.4 fixed 2104～2105 group variable 580/680/740 10.3 1022 60～63 3～12 0.2～0.4 agile 2750～2850 shake 300～400 7.3 1023 68～70 16～20 6.8～6.9 group variable 2282/ 2297 stagger 800/850/900/950/1000 18.6 1144 56～58 6～13 13.3～13.5 agile 1550～1750 shake 700～900 39.3 1095 30～32 33～38 6.6～6.8 fixed 1925～1926 group variable 810/830/880 50.1 1106 49～51 23～31 3.3～3.4 group variable 1925/1926 fixed 3499～3500 11.6 1127 31～33 50～56 60.1～60.3 group variable 2202/2217/2263 fixed 2998～3000 13.8 1068 65～68 10～23 61～61.2 group variable 3278/3282/3297 fixed 3199～3201 16.6 1049 36～38 40～50 61～61.1 fixed 2198～2199 fixed 1562～1564 10.2 112(1)Robustness analysisSet 9 kinds of radar sources listed in Table 1 as training data, a total of 971 samples. Generate test data by adding 10% and 20% parameter error with reference to the parameters in Table 1. The proposed radar source identification method is used to train the prior sample, generate the strong classifier, and then the test data is identified by the strong classifier. The recognition process asFig.3 The test data distribution Fig.4 The identification resultswith 10% parameter error with 10% parameter errorFig.6 The test data distribution Fig.7 The Identification resultswith 20% parameter error with 20% parameter error Total number of test data is 9753, the each number of 9 kinds sample is 1020, 1027, 1149, 1093, 1106, 1128, 1062, 1047, 1121. For the test data with 10% parameter error, when the number of weak classifiers is 46, the 93.78% recognition accuracy can be achieved, the recognition results are shown in Fig 4. Compare with Fig. 3, 6 and 4, 7, the parameter error increased from 10% to 20%, the test data distribution is more complicated, at the same time recognition accuracy is decreased. Even when the parameter error is 20% and the number of weak classifiers is set to 60, 80.08% recognition accuracy can be achieved. Indeed, the parameter error is generally less than 15%, so the proposed radar emitter recognition method can achieve a better recognition accuracy.(2)Identification effect analysisThe recognition results are analyzed by identifying accuracy and time consumption. Training and testing sample data as shown in experiment (1), the parameter error is set to 10%, from the328beginning of 1 to 100, increasing the number of weak classifiers, time consumption and recognitionFig. 8 The time consumption of the algorithm varies with the weak classifier Fig. 9 The accuracy rate of the algorithm is changed with the weak classifier.From Fig. 8, we can see that the time consumption of the proposed algorithm is approximately linear distribution with increasing the number of weak classifiers. But when the number of weak classifiers is 100, the time consumption is less than 1.5s. As shown in Fig. 9, when weak classifier numbers increased from 1 to 35, the algorithm of recognition accuracy increased rapidly, can get 93%. Continue to increase the number of weak classifiers, the increase of recognition accuracy is not obvious, even has not increased but decreased, thus selecting the appropriate number of weak classifiers has great influence with the recognition accuracy.6. ConclusionsWith the rapid development of information technology, promoted many new technologies of radar system, and created more complex signal pattern, so in the future battlefield, we will face the threat of unknown radar signal. In order to cope with the challenge, from the perspective of intelligence analysis, aim at the problem of the existing traditional radar source identification method with poor recognition accuracy and robustness, this paper studied a radar emitter identification method based on decision tree and AdaBoost. Firstly, construct the single decision tree based on information gain. Then use the AdaBoost algorithm to train the classifier, construct the strong classifier. Finally classification of test data by the strong classifier, and get the recognition results. Through the simulation analysis, it’s proved that the proposed radar source recognition algorithm not only has good recognition accuracy and robustness, but also has good timeliness. However, in the experimental process, it’s found that the selection of weak classifiers still can optimize, which will be the focus of next step.7.References[1] Yang Zhutian. Research on radar emitter classification and recognition based on machine learning [D]. Information and communication engineering, Harbin Institute of Technology, 2012. [2] Tang J, Qing L I. Fast template matching algorithm[J].Journal of Computer Applications, 2010, 30(6): 1558～1559.[3] Ford B P, Middlebrook V S. Using a knowledge based system for emitter classification and ambiguity resolution[C]. Aerospace and Electronics Conference, 1989. NAECON 1989., Proceedings of the IEEE 1989 National, 1989.[4] Li Donghai. Radar identification method based on expert system [J]. Shipboard Electronic Countermeasure,2014, 37(5): 10～13.[5] Wang Long. Application of neural networks in radar target recognition [D]. North University of China, 2015.329[6] Hu Houli,Wei Wei,Hu Mengna. Principles and practices of deep learning [J]. Information Technology,2015,(02): 175～177.[7] Li Yue. Recognition technology for remote sounding radar emitter [D]. Harbin Institute of Technology, 2011.[8] Chen Changxiao, He Minghao, Xu Jing, et al. Progress of study on recognition technology of radar emitter [J]. Journal of Air Force Radar Academy, 2014,(01):1～5.[9] Rätsch G, Onoda T, Müller K R. Soft Margins for AdaBoost[J]. Machine Learning, 2001, 42(3):287～320.[10] Li hang. Statistical learning method [M]. Tsinghua University press, 2012.[11] Wang Lili,Liu Xuejun. Application of C4.5 algorithm in analysis of students' performance [J].Journal of Henan Institute of Engineering: Natural Science Edition,2014,(4): 69～73.330。
基于AdaBoost的局部放电综合特征决策树识别方法
基于AdaBoost的局部放电综合特征决策树识别方法姚林朋;郑文栋;钱勇;王辉;黄成军;江秀臣【期刊名称】《电力系统保护与控制》【年(卷),期】2011(039)021【摘要】In the research of pattern recognition on partial discharge (PD) in GIS, the traditional decision tree method faces problems of complex structure, low recognition rate and vulnerability to noise data due to the single features and limited training pattern modes. In this paper, a method of using AdaBoost decision tree integrating with composited features is presented. Features are extracted from three aspects including statistical distribution of p-q-n diagram, moment distribution of q-t diagram and Weibull distribution parameters of q-n diagram and samples are collected from the typical discharges from high voltage needle, floating electrode, void, free particle in GIS and interferences from mobile phone and light. The influence of single features and composited features on the recognition effects of C4.5 decision tree and AdaBoost decision tree is studied. Recognition results of laboratory test and field test show that AdaBoost decision tree made with features composited with three aspects can effectively optimize the recognition rate and improve the efficiency of its time and space use.%在GIS局部放电模式识别研究中,为解决传统决策树方法中只针对单一特征及有限模式进行学习而导致决策树结构复杂、预测准确率不高、对噪声数据的抗干扰能力差等问题,提出综合多类特征的AdaBoost决策树识别方法.设计实验并通过超高频方法采集GIS中高压导体毛刺放电、悬浮电极放电、气隙放电、微粒放电及手机、灯光干扰信号,从p-q-n图谱的统计分布、q-t图谱的矩分布、q-n图谱的Weibull分布三个不同角度提取特征,研究单一及综合形式的特征对C4.5决策树及AdaBoost决策树的识别效果的影响.实验及现场检测的识别结果表明综合三类不同特性的特征并通过hdaBoost方法生成决策树,能有效优化决策树的识别性能,提高决策树的时间和空间效率.【总页数】7页(P104-109,114)【作者】姚林朋;郑文栋;钱勇;王辉;黄成军;江秀臣【作者单位】上海交通大学电气工程系,上海200240;上海交通大学电气工程系,上海200240;上海交通大学电气工程系,上海200240;上海交通大学电气工程系,上海200240;上海交通大学电气工程系,上海200240;上海交通大学电气工程系,上海200240【正文语种】中文【中图分类】TM835【相关文献】1.一种基于综合特征的网页类型识别方法 [J], 陈翰;周杰;李弼程2.基于综合特征的花卉种类识别方法研究 [J], 王威;刘小翠;王新3.基于双谱综合特征提取的距离-速度同步拖引干扰识别方法研究 [J], 袁功霖;侯静;陈义;张诚4.基于AdaBoost和决策树的雷达辐射源识别方法 [J], 唐晓婧;陈维高;席龙飞;慈言海5.基于综合特征的Bp_adaboost工业仪表图像分类方法 [J], 吴学礼;赵萌;孟凡华;刘浩南因版权原因，仅展示原文概要，查看原文内容请购买。
基于 LLE 降维和 BP_Adaboost 分类器的 GIS 局部放电模式识别
基于 LLE 降维和 BP_Adaboost 分类器的 GIS 局部放电模式
识别
律方成;张波
【期刊名称】《电测与仪表》
【年(卷),期】2014(000)015
【摘要】在气体绝缘组合电器（gas insulated switchgear， GIS）实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型，用超声波传感器采集到其放电波形。
对放电波形提取的特征向量进行局部线性嵌入（local linear embedding， LLE）算法降维处理，用降维后的向量作为输入对
BP_Adaboost 分类器进行训练和测试类型识别。
识别结果表明，用这样方法进行GIS 绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率，说明了其在局部放电模式识别应用中的有效性。
【总页数】5页(P37-41)
【作者】律方成;张波
【作者单位】华北电力大学河北省输变电设备安全防御重点实验室，河北保定071003;华北电力大学河北省输变电设备安全防御重点实验室，河北保定 071003【正文语种】中文
【中图分类】TM855
【相关文献】
1.基于主成分分析和多分类相关向量机的GIS局部放电模式识别 [J], 律方成;金虎;王子建;张波
2.基于多分类器融合的XLPE电缆局部放电模式识别研究 [J], 徐颖敏;姚林朋;钱勇;黄成军;江秀臣
3.基于决策分类的变压器局部放电模式识别研究 [J], 瞿绍军
4.基于灰度图中心矩与概率神经网络分类器的局部放电模式识别 [J], 章坚
5.基于SPLDA降维和XGBoost分类器的行为识别方法研究 [J], 叶丹;李智;王勇军
因版权原因，仅展示原文概要，查看原文内容请购买。
了解集成学习中的Adaboost算法
了解集成学习中的Adaboost算法集成学习是机器学习领域中的一项重要技术，它的主要目的是将多个弱学习器集成在一起，构建出一个更加准确和稳定的强学习器模型。
其中，Adaboost算法是一种经典的集成学习算法，被广泛应用于分类和回归等预测问题中。
本文将从Adaboost算法的基本原理、算法流程以及优化策略等方面介绍Adaboost在集成学习中的应用。
一、Adaboost算法基本原理Adaboost算法是一种迭代的集成学习算法，它通过按照一定的权重训练多个弱学习器，然后将其组合起来，生成一个强学习器。
Adaboost 的主要思想是：对于原始数据集中的每个样本，根据其分类错误的情况，调整下一轮迭代中样本的权重。
即分类错误的样本权重会得到加强，而分类正确的样本权重会得到削弱。
经过多轮迭代，Adaboost算法将弱学习器的预测结果进行加权求和，得到最终的集成预测结果。
二、Adaboost算法流程Adaboost算法的流程如下：（1）初始化样本权重。
对于含有N个样本的训练集，每个样本的权重初始化为1/N。
（2）对于T轮迭代，依次执行如下过程：（a）在当前数据集及其样本权重的情况下，训练出一个弱学习器。
（b）计算该弱学习器的错误率err_t，并计算其权重alpha_t，其中alpha_t = 0.5 * ln((1-err_t)/err_t)。
（c）根据该弱学习器的权重alpha_t，调整样本的权重。
对于分类错误的样本，其权重会得到加强，即w_i ← w_i * exp(alpha_t)，而对于分类正确的样本，其权重会得到削弱，即w_i ← w_i * exp(-alpha_t)，其中w_i表示当前第i个样本的权重。
然后，对所有样本的权重进行归一化操作，使得它们之和等于1。
（d）重复执行以上步骤，在更新完样本权重后开始下一轮迭代。
（3）将每个弱学习器的预测结果与其权重alpha_t相乘，得到最终权重和。
即对于每个样本进行预测，所有弱学习器的预测结果将分别被乘上其对应的权重alpha_t，然后将这些结果进行加权求和，得到最终的集成预测结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于ＡｄａＢｏｏｓｔ的局部放电综合特征决策树识别方法姚林朋郑文栋钱勇王辉黄成军江秀臣上海交通大学电气工程系，上海２００２４０摘要：在ＧＩＳ局部放电模式识别研究中，为解决传统决策树方法中只针对单一特征及有限模式进行学习而导致决策树结构复杂、预测准确率不高、对噪声数据的抗干扰能力差等问题，提出综合多类特征的ＡｄａＢｏｏｓｔ决策树识别方法。
设计实验并通过超高频方法采集ＧＩＳ中高压导体毛刺放电、悬浮电极放电、气隙放电、微粒放电及手机、灯光干扰信号，从ｐ－ｑ－ｎ图谱的统计分布、ｑ－ｔ图谱的矩分布、ｑ－ｎ图谱的Ｗｅｉｂｕｌｌ分布三个不同角度提取特征，研究单一及综合形式的特征对Ｃ４．５决策树及ＡｄａＢｏｏｓｔ决策树的识别效果的影响。
实验及现场检测的识别结果表明综合三类不同特性的特征并通过ｈｄａＢｏｏｓｔ方法生成决策树，能有效优化决策树的识别性能，提高决策树的时间和空间效率。
气体绝缘组合电器；超高频；局部放电；决策树；ＡｄａＢｏｏｓｔ； Ｃ４．５；模式识别Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ＡｄａＢｏｏｓｔ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｆｏｒ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅＹＡＯ Ｌｉｎ－ｐｅｎｇＺＨＥＮＧ Ｗｅｎ－ｄｏｎｇＱＩＡＮ ＹｏｎｇＷＡＮＧ ＨｕｉＨＵＡＮＧ Ｃｈｅｎｇ－ｊｕｎＪＩＡＮＧ Ｘｉｕ－ｃｈｅｎＴＭ８３５Ａ１６７４－３４１５（２０１１）２１－０１０４－０６特征分类其中：够取长综合特征决＠＠［１］钱勇，黄成军，江秀臣，等．基于超高频法的ＧＩＳ局 部放电在线监测研究现状及展望［Ｊ］．电网技术，２００５， ２９ （１）：４０－４３，５５．ＱＩＡＮ Ｙｏｎｇ， ＨＵＡＮＧ Ｃｈｅｎｇ－ｊｕｎ， ＪＩＡＮＧ Ｘｉｕ－ｃｈｅｎ，ｅｔ ａｌ． Ｐｒｅｓｅｎｔ ｓｉｔｕａｔｉｏｎ ａｎｄ ｐｒｏｓｐｅｃｔ ｏｆ ｕｌｔｒａｈｉｇｈ ｆｒｅｑｕｅｎｃｙ ｍｅｔｈｏｄ ｂａｓｅｄ ｒｅｓｅａｒｃｈ ｏｆ ｏｎ－ｌｉｎｅ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｉｎ ｇａｓ ｉｎｓｕｌａｔｅｄ ｓｗｉｔｃｈｇｅａｒ［Ｊ］． Ｐｏｗｅｒ ＳｖｓｔｅｍＴｅｃｈｎｏｌｏｇｙ， ２００５， ２９ （１）： ４０－４３， ５５．＠＠［２］ 张言苍，张毅刚，徐大可．变压器局部放电在线检测 的现状及发展［Ｊ］．继电器，２００４，３２ （２２）：７０－７５．ＺＨＡＮＧ Ｙａｎ－ｃａｎｇ， ＺＨＡＮＧ Ｙｉ－ｇａｎｇ， ＸＵ Ｄａ－ｋｅ．Ｐｒｅｓｅｎｔ ｓｔａｔｕｓ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ＰＤ ｏｎｌｉｎｅ ｍｏｎｉｔｏｒｉｎｇ ｓｙｓｔｅｍ ｉｎ ｐｏｗｅｒ ｔｒａｎｓｆｏｒｍｅｒ［Ｊ］． Ｒｅｌａｙ， ２００４， ３２ （２２） ：７０－７５．＠＠［３］ 苏文辉，鞠平，丁晓群．变压器绕组局部放电故障的 定位［Ｊ］．继电器，２００２，３０ （８）：４０－４２．ＳＵ Ｗｅｎ－ｈｕｉ， ＪＵ Ｐｉｎｇ， ＤＩＮＧ Ｘｉａｏ－ｑｕｎ． Ｌｏｃａｔｉｏｎ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅｓ ｆａｕｌｔ ｉｎ ｔｒａｎｓｆｏｒｍｅｒ ｗｉｎｄｉｎｇ［Ｊ］． Ｒｅｌａｙ，２００２， ３０ （８） ： ４０－４２．＠＠［４］ 赵妍，董爽，李天云．局部放电信号检测的ＨＨＴ－ＭＤＬ 自适应阈值算法［Ｊ］．电力系统保护与控制，２０１０，３８ （１５）：４５－５０．ＺＨＡＯ Ｙａｎ， ＤＯＮＧ Ｓｈｕａｎｇ， ＬＩ Ｔｉａｎ－ｙｕｎ． Ａ ｎｅｗ ａｄａｐｔｉｖｅ ｔｈｒｅｓｈｏｌｄ ａｌｇｏｒｉｔｈｍ ｔｏ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｐｒｏｃｅｓｓｉｎｇ ｂａｓｅｄ ｏｎ ＨＨＴ－ＭＤＬ ｃｒｉｔｅｒｉｏｎ［Ｊ］． Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｐｒｏｔｅｃｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ， ２０１０， ３８ （１５） ： ４５－５０．＠＠［５］ 李信，李成榕，丁立健，等．基于超高频信号检测ＧＩＳ 局放模式识别［Ｊ］．高电压技术，２００３，２９（１１）：２６－３０．ＬＩ Ｘｉｎ， ＬＩ Ｃｈｅｎｇ－ｒｏｎｇ， ＤＩＮＧｉ Ｌｉ－ｊｉａｎ， ｅｔ ａｌ．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ＰＤ ｐａｔｔｅｒｎｓ ｉｎ ｇａｓ ｉｎｓｕｌａｔｅｄ ｓｗｉｔｃｈｇｅａｒ （ＧＩＳ） ｂａｓｅｄ ｏｎ ＵＨＦ ｓｉｇｎａｌｓ［Ｊ］． Ｈｉｇｈ Ｖｏｌｔａｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００３， ２９ （ １１ ） ： ２６－３０．＠＠［６］ Ａｂｄｅｌ－Ｇａｌｉｌ Ｔ Ｋ， Ｓｈａｒｋａｗｙ Ｒ Ｍ， ｅｔ ａｌ． Ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｐａｔｔｅｒｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｔｈｅ ｆｕｚｚｙ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ａｐｐｒｏａｃｈ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ Ｍｅａｓｕｒｅｍｅｎｔ， ２００５， ５４ （６） ： ２２５８－２２６３．＠＠［７］ 肖燕，胡浩，郁惟镛．基于ＡＲＴＮＮ的ＧＩＳ绝缘故障 识别新方法［Ｊ］．高电压技术，２００７，３３ （１２）：７５－７９．ＸＩＡＯ Ｙａｎ， ＨＵ Ｈａｏ， ＹＵ Ｗｅｉ－ｙｏｎｇ． Ｎｅｗ ＡＲＴＮＮ－ｂａｓｅｄ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｉｎｓｕｌａｔｉｏｎ ｄｅｆｅｃｔ ｉｎ ＧＩＳ［Ｊ］． Ｈｉｇｈ Ｖｏｌｔａｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００７， ３３ （１２） ：７５ －７９．＠＠［８］ 司文荣，李军浩，袁鹏，等．气体绝缘组合电器多局． 部放电源的检测与识别［Ｊ］．中国电机工程学报，２００９， ２９ （１６）：１１９－１２６． ＳＩ Ｗｅｎ－ｒｏｎｇ， ＬＩ Ｊｕｎ－ｈａｏ， ＹＵＡＮ Ｐｅｎｇ， ｅｔ ａｌ． Ｄｅｔｅｃｔｉｏｎ ａｎｄ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ ｍｕｌｔｉ－ＰＤ ｓｏｕｒｃｅ ｉｎ ＧＩＳ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＣＳＥＥ， ２００９， ２９ （１６） ： １１９－１２６．＠＠［９］ Ｙａｚｄａｎｄｏｕｓｔ Ａ Ｒ， Ｈａｇｈｊｏｏ Ｆ， ｅｔ ａｌ． Ｉｎｓｕｌａｔｉｏｎ ｓｔａｔｕｓ ａｓｓｅｓｓｍｅｎｔ ｉｎ ｈｉｇｈ ｖｏｌｔａｇｅ ｃａｂｌｅｓ ｂａｓｅｄ ｏｎ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ａｌｇｏｒｉｔｈｍ［Ｃ］．／／２００８ ＩＥＥＥ Ｅｌｅｃｔｒｉｃａｌ Ｐｏｗｅｒ ａｎｄ Ｅｎｅｒｇｙ Ｃｏｎｆｅｒｅｎｃｅ － Ｅｎｅｒｇｙ Ｉｎｎｏｖａｔｉｏｎ， Ｏｃｔ ６－７， ２００８， Ｖａｎｃｏｕｖｅｒ， ＢＣ， Ｃａｎａｄａ， ２００８．＠＠［１０］ Ｌａｉ Ｋ Ｘ ， Ｐｈｕｎｇ Ｂ Ｔ， Ｂｌａｃｋｂｕｒｎ Ｔ Ｒ． Ｄｅｓｃｒｉｐｔｉｖｅ ｄａｔａ ｍｉｎｉｎｇ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｕｓｉｎｇ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｗｉｔｈ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ａｕｓｔｒａｌｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００９， ６ （３） ： ２４９－２５９．＠＠［１１］ Ｈｉｒｏｓｅ Ｈ， Ｈｉｋｉｔａ Ｍ， Ｏｈｔｓｕｋａ Ｓ， ｅｔ ａｌ． Ｄｉａｇｎｏｓｉｓ ｏｆ ｅｌｅｃｔｒｉｃ ｐｏｗｅｒ ａｐｐａｒａｔｕｓ ｕｓｉｎｇ ｔｈｅ ｄｅｃｉｓｉｏｎ ｔｒｅｅ ｍｅｔｈｏｄ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｄｉｅｌｅｃｔｒｉｃｓ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｉｎｓｕｌａｔｉｏｎ， ２００８， １５ （５） ： １２５２－１２６０．＠＠［１２］ Ａｂｄｅｌ－Ｇａｌｉｌ Ｔ Ｋ， Ｓｈａｒｋａｗｙ Ｒ Ｍ， ｅｔａｌ． Ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｐｕｌｓｅ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ａｎ ｉｎｄｕｃｔｉｖｅ ｉｎｆｅｒｅｎｃｅ ａｌｇｏｒｉｔｈｍ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｄｉｅｌｅｃｔｒｉｃｓ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｉｎｓｕｌａｔｉｏｎ， ２００５， １２ （２） ： ３２０－３２７．＠＠［１３］ Ｈｉｒｏｓｅ Ｈ， Ｚａｍａｎ Ｆ． Ｄｉａｇｎｏｓｉｓ ａｃｃｕｒａｃｙ ｉｎ ｅｌｅｃｔｒｉｃ ｐｏｗｅｒ ａｐｐａｒａｔｕｓ ｃｏｎｄｉｔｉｏｎｓ ｕｓｉｎｇ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｄｉｅｌｅｃｔｒｉｃｓ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｉｎｓｕｌａｔｉｏｎ， ２０１０， １７ （１） ２７１－２７９．＠＠［１４］ Ｑｕｉｎｌａｎ Ｊ Ｒ． Ｂａｇｇｉｎｇ， ｂｏｏｓｔｉｎｇ， ａｎｄ Ｃ４．５［Ｃ］． ／／ Ｐｒｏｃｅｅｄｉｎｇｓ １３ｔｈ Ａｍｅｒｉｃａｎ ａｓｓｏｃｉａｔｉｏｎ ｆｏｒ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｎａｔｉｏｎａｌ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ， Ｊｕｌｙ， １９９６， Ｍｅｎｌｏ Ｐａｒｋ， ＣＡ．＠＠［１５］ Ｒｕｇｇｉｅｒｉ Ｓ． Ｅｆｆｉｃｉｅｎｔ Ｃ４．５． ｋｎｏｗｌｅｄｇｅ ａｎｄ ｄａｔａ ｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ， ２００２， １４ （２） ： ４３８－４４４．＠＠［１６］涂承胜，刁力力，鲁明羽，等． Ｂｏｏｓｔｉｎｇ家族 ＡｄａＢｏｏｓｔ 系列代表算法［Ｊ］． 计算机科学， ２００３， ３０ （３） ： ３０－３４， １４５． ＴＵ Ｃｈｅｎｇ－ｓｈｅｎｇ， ＤＩＡＯ Ｌｉ－ｌｉ， ＬＵ Ｍｉｎｇ－ｙｕ， ｅｔ ａｌ． Ｔｈｅ ｔｙｐｉｃａｌ ａｌｇｏｒｉｔｈｍ ｏｆ ＡｄａＢｏｏｓｔ ｓｅｒｉｅｓ ｉｎ ｂｏｏｓｔｉｎｇ ｆａｍｉｌｙ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， ２００３， ３０ （３）： ３０－３４， １４５．＠＠［１７］ Ｆｒｅｕｎｄ Ｙ， Ｓｃｈａｐｉｒｅ Ｒ Ｅ． Ｄｅｃｉｓｉｏｎ－ｔｈｅｏｒｅｔｉｃ ｇｅｎｅｒａｌｉｚａｔｉｏｎ ｏｆ ｏｎ－ｌｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ａｎ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｂｏｏｓｔｉｎｇ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｓｙｓｔｅｍ Ｓｃｉｅｎｃｅｓ， １９９７， ５５ （１）： １１９－１３９．＠＠［１８］唐炬，王静，李剑，等．统计参数用于局部放电模式 识别的研究［Ｊ］．高电压技术，２００２，２８ （８）：４－６，３７．ＴＡＮＧ Ｊｕ， ＷＡＮＧ Ｊｉｎｇ， ＬＩ Ｊｉａｎ， ｅｔ ａｌ． Ｓｔａｔｉｓｔｉｃａｌ ｐａｒａｍｅｔｅｒ ｍｅｔｈｏｄ ｆｏｒ ＰＤ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ｈｉｇｈ Ｖｏｌｔａｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００２， ２８ （８）： ４－６， ３７．＠＠［１９］胡文堂，高胜友，余绍峰，等．统计参数在变压器局 部放电模式识别中的应用［Ｊ］．高电压技术，２００９，３５ （２）： ２７７－２８１．ＨＵ Ｗｅｎ－ｔａｎｇ， ＧＡＯ Ｓｈｅｎｇ－ｙｏｕ， ＹＵ Ｓｈａｏ－ｆｅｎｇ， ｅｔ ａｌ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｔａｔｉｓｔｉｃ ｐａｒａｍｅｔｅｒｓ ｉｎ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｐａｒｔｉａｌ ｄｉｓｃｈａｒｇｅ ｉｎ ｔｒａｎｓｆｏｒｍｅｒｓ［Ｊ］． Ｈｉｇｈ Ｖｏｌｔａｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ， ２００９， ３５ （２）： ２７７－２８１．２０１０－１１－１３２０１０－１２－２８ 姚林朋（ １９８１－），男，博士研究生，研究方向为大型电气设备在线监测和智能诊断；Ｅ－ｍａｉｌ： ｙａｏｌｉｎｐｅｎｇ＠ｓｊｔｕ．ｅｄｕ．ｃｎ多目标分层决策［Ｊ］．电力系统及其自动化，２００７，３１（１３）： １７－２２．ＤＩＮＧ Ｍｉｎｇ， ＱＩ Ｘｉａｎ－ｊｕｎ， ＡＮ Ｌｉｎｇ． Ｍｕｌｔｉ－ｏｂｊｅｃｔｉｖｅ ａｎｄ ｌａｙｅｒｅｄ ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ ｉｎ ｔｈｅ ｓｐｉｎｎｉｎｇ ｒｅｓｅｒｖｅ ｍａｒｋｅｔ ｃｏｎｓｉｄｅｒｉｎｇ ｒｅｌｉａｂｉｌｉｔｙ［Ｊ］． Ａｕｔｏｍａｔｉｏｎ ｏｆ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， ２００７， ３１（１３）： １７－２２．＠＠［８］ 齐先军，丁明．电力市场环境下旋转备用费用分摊的 新方法［Ｊ］．中国电机工程学报，２００９， ２９（１６）： ６９－７４． ＱＩ Ｘｉａｎ－ｊｕｎ， Ｄ１ＮＧ Ｍｉｎｇ． Ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｆｏｒ ｃｏｓｔ ａｌｌｏｃａｔｉｏｎ ｏｆ ｓｐｉｎｎｉｎｇ ｒｅｓｅｒｖｅ ｉｎ ｅｌｅｃｔｒｉｃｉｔｙ ｍａｒｋｅｔ ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＣＳＥＥ， ２００９， ２９（１６）： ６９－７４．＠＠［９］ Ａｇａｎａｇｉｃ Ｍ， ＡｂｄｕＩ－Ｒａｈｍａｎ Ｋ Ｈ， Ｗａｉｇｈｔ Ｊ Ｇ． Ｓｐｏｔ ｐｒｉｃｉｎｇ ｏｆ ｃａｐａｃｉｔｉｅｓ ｆｏｒ ｇｅｎｅｒａｔｉｏｎ ａｎｄ ｔｒａｎｓｍｉｓｓｉｏｎ ｏｆ ｒｅｓｅｒｖｅ ｉｎ ａｎ ｅｘｔｅｎｄｅｄ ｐｏｏｌｃｏ ｍｏｄｅｌ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， １９９８， １３（３）： １１２８－１１３５．＠＠［１０］常向伟，张有兵，曹一家，等．计及风险因素的事故备 用容量购买决策模型研究［Ｊ］．电力系统保护与控制， ２０１０， ３８（２３）： ８２－８６．ＣＨＡＮＧ Ｘｉａｎｇ－ｗｅｉ， ＺＨＡＮＧ Ｙｏｕ－ｂｉｎｇ， ＣＡＯ Ｙｉ－ｊｉａ， ｅｔ ａｌ．Ｓｔｕｄｙ ｏｎ ｐｕｒｃｈａｓｅ ｄｅｃｉｓｉｏｎ ｍｏｄｅｌ ｏｆ ｒｅｓｅｒｖｅ ｃａｐａｃｉｔｙ ｆｏｒ ａｃｃｉｄｅｎｔ ｃｏｎｓｉｄｅｒｉｎｇ ｒｉｓｋ ｆａｃｔｏｒｓ［Ｊ］． Ｐｏｗｅｒ Ｓｙｓｔｅｍ ｐｒｏｔｅｃｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ， ２０１０， ３８（２３）： ８２－８６．＠＠［１１］于娜，于继来．智能电网环境下需求响应参与系统备 用的风险协调优化模型［Ｊ］．电力系统保护与控制， ２０１０， ３８（２１）： ７７－８２．ＹＵ Ｎａ， ＹＵ Ｊｉ－ｌａｉ． Ｓｐｉｎｎｉｎｇ ｒｅｓｅｒｖｅ ｒｉｓｋ ｃｏｏｒｄｉｎａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ｏｆ ｐｏｗｅｒ ｓｙｓｔｅｍ ｃｏｎｓｉｄｅｒｉｎｇ ｅｍｅｒｇｅｎｃｙ ｄｅｍａｎｄ ｒｅｓｐｏｎｓｅ ｉｎ ｓｍａｒｔ ｇｒｉｄ ｅｎｖｉｒｏｎｍｅｎｔ［Ｊ］． Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｐｒｏｔｅｃｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ，２０１０， ３８（２１）： ７７－８２．＠＠［１２］孟祥星，韩学山．一种新的计及备用约束的调度模型 ［Ｊ］．电网技术，２００５，２９（１４）： ２０－２５．ＭＥＮＧ Ｘｉａｎｇ－ｘｉｎｇ， ＮＡＮ Ｘｕｅ－ｓｈａｎ． Ａ ｎｏｖｅｌ ｄｉｓｐａｔｃｈｉｎｇ ｍｏｄｅｌ ｃｏｎｓｉｄｅｒｉｎｇ ｒｅｓｅｒｖｅ ｃｏｎｓｔｒａｉｎｔ［Ｊ］． Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｙ， ２００５， ２９（１４）： ２０－２５．＠＠［１３］万仲平，肖昌育，王先甲，等．不确定市场下的一种二层规划最优竞价模型［Ｊ］．电力系统自动化，２００４，２８（１９）： １２－１６．ＷＡＮ Ｚｈｏｎｇ－ｐｉｎｇ， ＸＩＡＯ Ｃｈａｎｇ－ｙｕ， ＷＡＮＧ Ｘｉａｎ－ｊｉａ， ｅｔ ａｌ．Ｂｉ－ｌｅｖｅｌ ｐｒｏｇｒａｍｍｉｎｇ ｍｏｄｅｌ ｏｆ ｏｐｔｉｍａｌ ｂｉｄｄｉｎｇ ｓｔｒａｔｅｇｉｅｓ ｕｎｄｅｒ ｔｈｅ ｕｎｃｅｒｔａｉｎ ｅｌｅｃｔｒｉｃｉｔｙ ｍａｒｋｅｔｓ［Ｊ］．Ａｕｔｏｍａｔｉｏｎ ｏｆ Ｅｌｅｃｔｒｉｃ Ｐｏｗｅｒ Ｓｙｓｔｅｍｓ， ２００４， ２８（１９）：１２－１６．＠＠［１４］王淑芬，万仲平，樊恒，等．基于二层规划的无功优 化模型及其混合算法［Ｊ］．电网技术，２００５，２９（９）： ２２－２５．ＷＡＮＧ Ｓｈｕ－ｆｅｎ， ＷＡＮ Ｚｈｏｎｇ－ｐｉｎｇ， ＦＡＮ Ｈｅｎｇ， ｅｔ ａｌ．Ｒｅａｃｔｉｖｅ ｐｏｗｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｏｄｅｌ ａｎｄ ｉｔｓ ｈｙｂｒｉｄ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｂｉ－ｌｅｖｅｌ ｐｒｏｇｒａｍｍｉｎｇ［Ｊ］． Ｐｏｗｅｒ Ｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｙ， ２００５， ２９（９）： ２２－２５．＠＠［１５］范宏，程浩忠，金华征，等．考虑经济性可靠性的输 电网二层规划模型及混合算法［Ｊ］．中国电机工程学 报，２００８，２８（１６）： １－７．ＦＡＮ Ｈｏｎｇ， ＣＨＥＮＧ Ｈａｏ－ｚｈｏｎｇ， ＪＩＮ Ｈｕａ－ｚｈｅｎｇ， ｅｔ ａｌ．Ｔｒａｎｓｍｉｓｓｉｏｎ ｎｅｔｗｏｒｋ ｂｉ－ｌｅｖｅｌ ｐｒｏｇｒａｍｍｉｎｇ ｍｏｄｅｌ ｃｏｎｓｉｄｅｒｉｎｇ ｅｃｏｎｏｍｙ ａｎｄ ｒｅｌｉａｂｉｌｉｔｙ ａｎｄ ｈｙｂｒｉｄ ａｌｇｏｒｉｔｈｍ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＣＳＥＥ， ２００８， ２８（１６）：１－７．＠＠［１６］张强，韩学山，徐建政．安全经济调度与均匀调度间 关系分析［Ｊ］．电力系统及其自动化学报，２００５： １７（２）： ８４－８８．ＺＨＡＮＧ Ｑｉａｎｇ， ＨＡＮ Ｘｕｅ－ｓｈａｎ， ＸＵ Ｊｉａｎ－ｚｈｅｎｇ．Ａｎａｌｙｓｉｓ ｏｆ ｓｅｃｕｒｉｔｙ ｅｃｏｎｏｍｉｃ ｄｉｓｐａｔｃｈ ａｎｄ ｈｏｍｏｇｅｎｅｏｕｓ ｄｉｓｐａｔｃｈ［Ｊ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＣＳＵ－ＥＰＳＡ，２００５， １７（２）： ８４－８８．２０１１－０７－２１ 黄大为（１９７６－），男，博士，副教授，研究方向为电力系统运行与控制、电力系统经济；Ｅ－ｍａｉｌ： ｈｄｗ７６＠１６３．ｃｏｍ 韩学山（１９５９－），男，博士，教授，博士生导师，主要研究方向为电力系统分析与控制； 雷鸣（１９８２－），男，硕士研究生，主要研究方向为电力市场。