Identification of disturbance sources based on random forest model

Feng, Dawei; Deng, Zhanfeng; Wang, Tongxun; Liu, Yingying; Xu, Lingling

doi:10.1109/powercon.2018.8602245

Cited by 10 publications

(4 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Более развитые методы могут использовать статистические гипотезы. Примером является предложенная в [Feng et al, 2018] система для определения источника возмущений в системах энергоснабжения на основе метода «случайный лес» (Random forest). Система предполагает случайный выбор множества вариантов входных переменных (из общей их совокупности), для которых индивидуально формируются выборки (применяется алгоритм SMOTE -отбор данных) с последующим построением дерева решений и их организацией в лес решений.…”

Section: согласование данных при настройке моделиunclassified

“…Схожий метод был применен авторами [Maxwell, Rajabi, Esterle, 2019] для классификации метаморфизованного угля по геофизическим данным. Предложения [Feng et al, 2018;Maxwell, Rajabi, Esterle, 2019] ориентированы на ситуацию избыточного числа переменных, характеризующих состояние процесса. В то же время в случае, если состояние процесса характеризуют относительно небольшое число технологических параметров, то, вероятно, все они будут использованы при создании модели.…”

Section: согласование данных при настройке моделиunclassified

See 1 more Smart Citation

Identification of an object model in the presence of unknown disturbances with a wide frequency range based on the transition to signal increments and data sampling

Ryabchikov,

Ryabchikova

2024

CRM

View full text Add to dashboard Cite

Работа посвящена проблеме создания модели со стационарными параметрами по ретроспективным данным в условиях неизвестных возмущений. Рассматривается случай, когда представительная выборка состояний объекта может быть сформирована с использованием ретроспективных данных, накопленных только в течение значительного интервала времени. При этом допускается, что неизвестные возмущения могут действовать в широком частотном диапазоне и могут иметь низкочастотные и трендовые составляющие. В такой ситуации включение в выборку данных разных временных периодов может привести к противоречиям и чрезвычайно снизить точность модели. В работе дан обзор подходов и способов согласования данных. При этом основное внимание уделено отбору данных. Дана оценка применимости различных вариантов отбора данных как инструмента снижения уровня неопределенности. Предложен метод идентификации модели объекта с самовыравниванием по данным, накопленным за значительный период времени в условиях неизвестных возмущений с широким частотным диапазоном. Метод ориентирован на создание модели со стационарными параметрами, не требующей периодической перенастройки под новые условия. Метод основан на совместном применении отбора данных и представлении данных отдельных периодов времени в виде приращений относительно начального для периода момента времени. Это позволяет уменьшить число параметров, которые характеризуют неизвестные возмущения при минимуме допущений, ограничивающих применение метода. В результате снижается размерность поисковой задачи и минимизируются вычислительные затраты, связанные с настройкой модели. Рассмотрены особенности применения метода при нелинейной модели. Метод использован при разработке модели закрытого охлаждения стали на агрегате непрерывного горячего оцинковании стальной полосы. Модель может использоваться при упреждающем управлении тепловыми процессами и при выборе скорости движения полосы. Показано, что метод делает возможным разработку модели тепловых процессов с секции закрытого охлаждения в условиях неизвестных возмущений, имеющих в том числе низкочастотные составляющие.Ключевые слова: идентификация, большие данные, глобальная модель, приращения, неизвестные воздействия, отбор данных Исследование выполнено за счет гранта Российского научного фонда № 23-29-10058 (https://rscf.ru/project/23-29-10058/).

show abstract

Section: согласование данных при настройке моделиunclassified

Identification of an object model in the presence of unknown disturbances with a wide frequency range based on the transition to signal increments and data sampling

Ryabchikov,

Ryabchikova

2024

CRM

View full text Add to dashboard Cite

show abstract

“…In section II, we have stated that seven kinds of ALE behaviors signals belong to BW0 burst waveform, and thus the features of these ALE signals are almost the same in frequency domain, time-frequency domain and other transformation domain. So some methods of traditional machine learning will no longer work due that they rely on artificially extracted features, such as SVM, Random Forest [37], [38], and KNN. In particular, the simulated ALE signal has 5,888 points, and it is impractical to directly recognize it by using methods of traditional machine learning.…”

Section: B Comparison Experimnetsmentioning

confidence: 99%

Recognizing Automatic Link Establishment Behaviors of a Short-Wave Radio Station by an Improved Unidimensional DenseNet

Chen

Lei

et al. 2020

IEEE Access

View full text Add to dashboard Cite

It is difficult to recognize Automatic Link Establishment (ALE) behaviors of a shortwave radio station, if we do not acquire the radio station's communication protocol standard. A method is proposed to recognize different ALE behaviors by using an improved unidimensional DenseNet. In this work, we directly recognize ALE signals in physical layer without the radio station's communication protocol standard. Hence, we can avoid difficulties in demodulation, decryption and so on. Actually, the original DenseNet is used extensively in the field of computer vision, so the original DenseNet is firstly adapted for the unidimensional input. And then, two parallel dense blocks are used in our improved unidimensional DenseNet, which could improve the capability of network to extract ALE signals' deep features. The experimental results show that the proposed method is able to recognize different ALE behaviors of a shortwave radio station. And improved DenseNet has better recognition performance than simple DenseNet. The simple DenseNet only contains one dense block. Finally, the results of comparison experiments also show that some classic networks have worse performance in ALE behaviors recognition, such as LeNet-5, ResNet-34, and DenseNet-121. INDEX TERMS Recognition, unidimensional DenseNet, automatic link establishment, shortwave radio station, electronic countermeasure. I. INTRODUCTION The ALE behaviors of a shortwave radio station include Call, Handshake, Notification, Time Offset, Group Time Broadcast, Broadcast and Scanning Call. The Link Establishment (LE) behaviors recognition of a shortwave radio station is important and difficult in the field of electronic countermeasures. Mastering the ALE behaviors of enemy's radio station can effectively infer the communication intention and working status of the radio station in the wireless communication network. It provides a reference for further inferring the topological structure and tactical position of the shortwave radio station. As a reconnoiter in the field of electronic countermeasures, our goal is to recognize a radio station's ALE behaviors without the radio station's communication protocol (MIL-STD-188-141B) [1]. In this work, the purpose of ALE behaviors recognition is achieved by directly analyzing the signals in physical layer, avoiding The associate editor coordinating the review of this manuscript and approving it for publication was Miguel López-Benítez .

show abstract

“…Random forest is a machine learning model that operates by constructing multiple decision trees during training [71,72]. The constructed multiple trees are then used for prediction during classification.…”

Section: Random Forest (Rf)mentioning

confidence: 99%

An Optimum Tea Fermentation Detection Model Based on Deep Convolutional Neural Networks

Kimutai

Ngenzi

Said

et al. 2020

Data

View full text Add to dashboard Cite

Tea is one of the most popular beverages in the world, and its processing involves a number of steps which includes fermentation. Tea fermentation is the most important step in determining the quality of tea. Currently, optimum fermentation of tea is detected by tasters using any of the following methods: monitoring change in color of tea as fermentation progresses and tasting and smelling the tea as fermentation progresses. These manual methods are not accurate. Consequently, they lead to a compromise in the quality of tea. This study proposes a deep learning model dubbed TeaNet based on Convolution Neural Networks (CNN). The input data to TeaNet are images from the tea Fermentation and Labelme datasets. We compared the performance of TeaNet with other standard machine learning techniques: Random Forest (RF), K-Nearest Neighbor (KNN), Decision Tree (DT), Support Vector Machine (SVM), Linear Discriminant Analysis (LDA), and Naive Bayes (NB). TeaNet was more superior in the classification tasks compared to the other machine learning techniques. However, we will confirm the stability of TeaNet in the classification tasks in our future studies when we deploy it in a tea factory in Kenya. The research also released a tea fermentation dataset that is available for use by the community.

show abstract

Identification of disturbance sources based on random forest model

Cited by 10 publications

References 12 publications

Identification of an object model in the presence of unknown disturbances with a wide frequency range based on the transition to signal increments and data sampling

Identification of an object model in the presence of unknown disturbances with a wide frequency range based on the transition to signal increments and data sampling

Recognizing Automatic Link Establishment Behaviors of a Short-Wave Radio Station by an Improved Unidimensional DenseNet

An Optimum Tea Fermentation Detection Model Based on Deep Convolutional Neural Networks

Contact Info

Product

Resources

About