Logistic回归和支持向量机在电缆老化状态评估中的应用与比较
High Voltage Apparatus（2023）
摘要
电缆老化状态评估主要有物理模型和统计模型两大类,物理模型一般用于电缆个体老化评估,但难以用于在线评估,统计模型一般用于电缆整体老化评估,无法评估个体状态.为建立电缆运行数据与电缆老化状态之间的关联关系,在线评估电缆个体老化状态,文中提出了基于机器学习的电缆老化状态评估方法,建立了Logistic回归和支持向量机这两种机器学习模型,采用十折交叉验证对模型准确率进行了评估,同时计算了模型的F1?Score.结果表明支持向量机采用多项式核时的总体样本准确率平均值为96％,高于Logistic回归;当召回率与精准度的权重比为1、2、0.5时,支持向量机的F1?Score得分均高于Logistic回归,支持向量机优于Logistic回归.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要