جداول نشان میدهد که بهترین جوابها مربوط هستند به{۱،۳،۷،۱۳،۱۵،۱۶} ،{۱،۳،۵،۱۳،۸،۷}، {۱،۳،۵،۱۳،۸،۷} به ترتیب برای روش های ترتیبی رو به جلو، ترتیبی رو به عقب و الگوریتم ژنتیک. نتایج نشان میدهد که برخی از ویژگیها مانند {۱،۳،۷،۱۳} در همه روشها پیشنهاد شدهاند. بنابرین نتیجه میگیریم این ویژگیها برای بالا بردن دقت طبقه بندی باید لحاظ شوند.
نکته مهم دیگر این است که ممکن است برخی ویژگیها به تنهایی مهم به نظر برسند اما زمانی که که با ویژگیهای دیگر به کار برده میشوند آن دقت را نداشته و مفید نباشند. برعکس قضیه بالا نیز صادق است. به عنوان مثال، اگرچه ویژگی شماره ۱۶، با دقت %۸۹/۷۱ در حالت تک بعدی بهترین دقت را دارا باشد، اما در زیرمجموعه ویژگیهای انتخاب شده نهایی با دقت %۲۲/۹۹ دیده نمی شود. در نتیجه، همبستگی میان ویژگیها میتواند در تنظیم مجموعه ویژگیهای نهایی تعیین کننده باشد.
همچنین مشاهده شده است که تنها یک ویژگی از تبدیل موجک استخراج شده (شماره ۱۳) و بقیه ویژگیها از تبدیل S به دست آمدهاند. بنابرین، تبدیل S میتواند نتیجه بهتری در مقایسه با تبدیل موجک در تولید ویژگی مفید بدهد. به عبارت دیگر تنها یک ویژگی از تبدیل موجک نقش مهمی در طبقه بندی ایفا کردهاست و بدون آن دقت طبقه بندی به %۰۰/۹۲ کاهش مییابد. این نشان میدهد که تمامی ویژگیهای استخراج شده از تبدیل S و موجک به تنهایی نمی توانند کارایی لازم را داشته باشند. بنابرین ترکیب مهمترین ویژگیهای استخراج شده از تبدیل s و موجک بهترین نتیجه را در الگوریم هدف در بر خواهند داشت.
علاوه بر این، سیگنالها در سیستمهای الکترونیک قدرت واقعی عموما با نویز همراهند. بعلاوه نویز گوسین سفید معمولا در تحقیقات بررسی کیفیت توان لحاظ میگردد. به منظور تست الگوریتم هدف در شرایط نویزی، سطوح مختلف نویز با نرخ نویز به سیگنال[۴۸] بین ۲۰ و ۵۰ دسیبل به بردارها اضافه شدند و نتیجه مدل، با حضور نویز مورد ارزیابی قرار گرفت. بعلاوه، به منظور بررسی دقت طبقه بندی کننده یک طبقه بندی کننده متداول دیگر ماشین بردار پشتیبان نیز در شرایط بدون نویز و با نویز مورد استفاده قرار گرفت.جدول (۴-۵) در صد دقت مربوط به هر کلاس نشان داده شده است. نتایج نشان میدهد که بالاترین دقت طبقه بندی در میان طبقه بندی کنندهها در شرایط نویز و بدون نویز مربوط به طبقه بندی کننده شبکه عصبی است. زمانی که شبکه عصبی به عنوان طبقه بندی کننده استفاده شده و نرخ نویز به سیگنال از ۵۰ دسیبل به ۲۰ دسیبل کاهش یافته، دقت طبقه بندی، از ۸۸/۹۸ درصد به ۴۴/۹۷ درصد، کاهش یافته است.
جدول(۴-۵): نتایج دقت طبقه بندی در شرایط بدون نویز و نویز های مختلف با دو طبقه بندی کننده
Class
۲۰ dB
۳۰ dB
۴۰ dB
۵۰ dB
Noiseless condition
PNN
FFNN
SVM
PNN
FFNN
SVM
PNN
FFNN
SVM
PNN
FFNN
SVM
PNN
FFNN
SVM
C1
۹۹
۹۸
۹۹
۱۰۰
۹۹
۹۹
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
C2
۱۰۰
۹۷
۹۸
۱۰۰
۹۹
۹۹
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
۱۰۰
C3
۱۰۰
۹۶
۹۴
۱۰۰
۹۸
۹۶
۱۰۰
۹۹
۹۸
۱۰۰
۱۰۰
۹۹
۱۰۰
۱۰۰
۹۹
C4
۱۰۰
۹۴
۹۵
۱۰۰
۹۵
۹۷
۱۰۰
۹۸
۹۸
۱۰۰
۹۹
۹۸
۱۰۰
۹۹
۹۸
C5
۹۳
۹۰
۹۲
۹۴
۹۳
۹۳
۹۴
۹۴
۹۴
۹۵
۹۶
۹۴
۹۷
۹۵
۹۵
C6
۹۶
۹۵
۹۵
۹۷
۹۶
۹۶
۹۹
۹۷
۹۶
۱۰۰
۹۷
۹۷
۱۰۰
۹۹
۹۹
C7
۹۹
۹۵
۹۶
۱۰۰
۹۷
۹۸
۱۰۰
۹۸
۹۹
۱۰۰
۹۹
۹۹
۱۰۰
۹۹
۹۹
C8
۹۷
۹۲
۹۲
۹۷
۹۴
۹۶
۹۸
۹۶
۹۶
۹۹
۹۸
۹۷
۹۹
۹۹
۹۸
C9
۹۳
۸۸
۹۰
۹۴
۹۰
۹۱
۹۵
۹۱
۹۲
۹۶
۹۲
۹۳
۹۷
۹۳
۹۴
Overall accuracy
۹۷٫۴۴
۹۳٫۸۸
۹۴٫۵۵
۹۸
۹۵٫۶۶
۹۶٫۱۱
۹۸٫۴۴
۹۷
۹۷
۹۸٫۸۸
۹۷٫۸۸
۹۷٫۴۴
۹۹٫۲۲
۹۸٫۲۲
۹۸٫۰۰
جدول(۴-۵): نتایج دقت طبقه بندی در شرایط بدون نویز و نویز های مختلف با دو طبقه بندی کننده
برای ارزیابی تاثیر و دقت روش های پیشنهادی در این تحقیق، مقایسه ای بین دقت طبقه بندی در این تحقیق با چند تحقیق صورت گرفته انجام شده است که در جدول (۴-۶) آمده. در این تحقیق ۹ نوع از وقایع کیفیت توان مورد ارزیابی قرار گرفته است. در تحقیقات [۲۷]و [۴۷] تنها ۷ نوع از اغتشاشات را بررسی کردهاست (فلیکر و گذرا را در نظر نگرفته) و معادلات ریاضی استفاده شده در آن با تحقیق حاضر یکسان است. همان طور که در جدول (۴-۵) دیده می شود مراحل تولید سیگنال ، استخراج ویژگی و روش های طبقه بندی در این تحقیق و تحقیقهای دیگر یکسان است. برخی اغتشاشات که همزمان اتفاق می افتد مثل کمبود ولتاژ و هارمونیک در مراجع[۴۴] و [۴۱] لحاظ نشده است.
بعلاوه مقایسه ای بین نتایج به دست آمده در این مقاله و مقاله های[۲۶] و [۵۱] در شرایط نویزی صورت گرفته است. دقتهای طبقه بندی در مقاله های[۲۷] و [۵۱] در مقدار نرخ نویز به سیگنال ۲۰ دسیبل بهترتیب %۹۲/۸۹ و %۳۳/۹۶ ارزیابی شده است. با وجود نویز ۲۰ دسیبل مرجع [۵۲] با دقت %۴۷/۹۸ طبقه بندی بهتری انجام داده است و در این تحقیق در شرایط بدون نویز بالاترین دقت طبقه بندی (%۲۲/۹۹) به دست آمده است.
[دوشنبه 1401-09-28] [ 04:12:00 ب.ظ ]
|