基于特征融合的变电设备类型及故障识别算法研究
牵引变电站作为电气化铁路的核心枢纽，其室外长期运行的电气设备受环境影响出现的各类故障易对牵引供电系统的安全稳定运行造成冲击。这些故障设备整体或局部的温度会发生变化，呈现出不同于正常状态的热像特征。当前，多数基于红外热成像检测技术的变电站电气设备热状态监测还是仅依靠操作人员的经验分析红外图像，进而对电气设备的热故障做出诊断[1]。
解决人工巡检出现的耗时耗力、检测精度低、可靠性差等问题的方法之一，就是结合红外技术和机器视觉对电气设备类型及故障进行识别[2-3]，提升图像分析处理的自动化与智能化水平。文献[4]通过提取红外图像的HOG特征，选择支持向量机进行特征分类，本文采用HOG特征有效分类了局部场景下的高压设备。但HOG算法对图像的空间信息描述不足，无法更细致地判别设备图像的局部外观和形状信息，对此有学者提出PHOG(Pyramid Histogram of Oriented Gradients)算法来进行改进[5]。文献[6]结合GLOH描述子和GVF Snake模型精准分割绝缘子，并通过分析统计直方图来实现零值绝缘子的自动检测。对于零值绝缘子本方法检测效果较好，但是并不适合其他状态的绝缘子或其他电气设备。文献[7]利用Faster-RCNN精确定位，采用深度残差网络(Res-Net)提取图像特征，最后利用稀疏表示进行绝缘子状态分类。文献[8]结合红外图像和可见光图像分割变压器故障子图像，并在Tensorflow上搭建卷积神经网络(CNN)对巡检目标进行图像分类和识别。这两类方法均采用深度学习算法训练，相较于传统方法，有更高的准确率，但运算开销较大，难以达到实时要求。文献[9]采用Gist算法和PHOG算法进行全局和局部的特征提取，并以Gist+i*PHOG形式进行特征融合，但最后的分类准确率不高，识别率仅达60%～80%。
多特征融合技术[10-11]一直以来都受到高度重视，已成为解决图像整体信息特征与局部信息特征描述矛盾的方法之一。鉴于此，本文融合设计了FastPCA和PHOG特征加权融合的特征描述子，同时联合优化参数的SVM作为分类器，设计了红外图像下高压电气设备类型及其故障状态识别系统。该系统首先引入K-means完成红外图像分割，然后对提取的FastPCA和PHOG特征向量进行数据规格化描述，并加权融合成新的混合描述子；最后，输入到训练好的SVM分类器进行分类，并分析红外图像下电气设备划分层数L、错误代价系数C以及RBF(径向基函数)核自身的参数 γ 取值大小对识别精度与速度的影响。经试验证明，该算法有效提升了特征提取效率、电气设备类型及故障识别的准确率。
1 FastPCA和PHOG特征
根据上述相关研究成果和设备图像先验知识，结合现场训练样本集的分析，发现快速主成分分析法(Fast Principal Component Analysis，FastPCA)对图像全局特征描述能力强，而金字塔式梯度方向直方图PHOG在兼具HOG良好的局部特征描述能力的同时，鲁棒性和几何光学不变性较强，所以本文选择它们作为互补特征。
中国酒业协会常务副理事长王琦表示：“科学家基于多年对中国葡萄酒消费者的研究，基于中国消费者饮食文化的特点、饮食习惯以及餐饮搭配的偏好，创设了具有中国特色葡萄酒鉴评体系。该体系的目标是帮助消费者更好认知葡萄酒，同时帮助生产商和进口商更好的了解中国消费者和中国市场。经过近几年各级葡萄酒质量大赛的检验和相关机构的实验，中国葡萄酒感官评价体系已经得到了验证，证明是目前顺应中国消费市场的葡萄酒评价方法。今天三家协会在这里共同发布中国葡萄酒感官评价体系，不仅是建立适应我国葡萄酒消费市场的评价方法，同时也是我国葡萄酒产业的文化自信、产业自信和市场自信的表现。”
1.1 FastPCA特征
主成分分析法PCA是一种基于协方差矩阵对信息进行处理压缩的有效方法[12]，能很好地解决维度灾难问题。但是PCA算法中样本协方差矩阵的本征值和本征向量计算非常耗时，当维数d较大时计算复杂度会非常高，常会耗尽计算机的内存。后来经过加速的FastPCA则可以快速计算协方差矩阵非零本征值所对应的本征向量。
设协方差矩阵S为
鸡皮刺螨通常在夜间活动，白天主要栖息在墙壁、水槽、饲料槽、墙壁、缝隙等处，并且成虫主要在白天聚集场所产卵，在进行该种寄生虫疾病防治中，应该采取内外防治的措施，彻底消灭养殖场内部的害虫[3]。在进行防治中，应该确保鹅体表害虫驱杀和周围环境杀虫同步进行。在进行药物防治中，一定要选择最佳防治时机，夏秋季节外界温度较高，养殖舍温度湿度较大，鹅群呼吸频率较快，防治时机不合理，很容易导致鹅吸入大量药液而出现中毒，因此在进行防治时，最好选择在早晨或傍晚进行，要在有效的时间内反复对螨虫栖息地进行喷雾灭虫处理。
(1)
式中：xi为样本，大小为1×d；m为样本均值。若设 Zn×d=xi-m，则协方差矩阵S的表达式可改写为S=(ZTZ)d×d。令R=(ZZT)n×n，由于实际应用中样本数目 n 远小于样本维数 d，所以R的尺寸远小于S，但R却与S有着相同的非零本征值。计算分析，设 n 维列向量ν是R的本征向量，那么
(ZZT)ν=λν
(2)
对于式(2)ν两边同时左乘ZT,整理得
均采用全身或臂丛麻醉，麻醉成功后仰卧位，患肢置于胸前。术野常规消毒、铺单。切口沿尺骨皮下缘向近端延伸到鹰嘴部位，从桡侧略呈弧形绕过鹰嘴尖部向近侧延伸约3～5 cm。切开皮肤、皮下、深筋膜。从桡侧向尺侧掀起鹰嘴尖部的皮下层。暴露骨折断端，把骨折线两端的骨膜推开约2 mm，以便看清骨折并有利于复位。牵开骨折近端即可见关节腔。清理骨折断端和关节腔内的积血、血凝块和碎片。如果存在关节面的塌陷，首先应当撬起塌陷部分，恢复局部关节面的平整。将肘关节伸约130°～150°位置，直视下复位骨折，然后进行克氏针或者尖嘴复位钳临时固定。如果需要也可使用拉力螺钉。然后按照术前计划选择内固定方式。
(ZTZ)(ZTν)=λ(ZTν)
(3)
式(3)说明 λ 为协方差矩阵S=(ZTZ)d×d 的特征值。通过上述分析不难得出，先计算小矩阵R的本征向量ν，再对公式进行左乘ZT得到散布矩阵S=(ZTZ)d×d 的本征向量ZTν 来达到简化计算目的。本文利用 FastPCA 快速降维，删减部分区分力较差的特征，扩大了差异性较大的特征占比，快速降维后识别正确率往往会提高。
最近，一颗重达1404.49克拉（约0.5斤）的蓝宝石被斯里兰卡宝石鉴定机构认定为世界上迄今为止最大的的蓝宝石。这颗宝石估计最少1亿美元，约6.6亿人民币。它目前的拥有者并不想透露当初花了多少钱买下它。它已被取名为“亚当之星”，因为斯里兰卡人认为《圣经》里的亚当被赶出伊甸园后在斯里兰卡生活过。
1.2 PHOG特征
自Navneet Dalal和Bill Triggs在2005年的CVPR上提出HOG后，这种主要用来描述图像局部特征的方法得到了许多科研工作者的青睐[13]。具体描述就是将图像分成若干胞元，计算得出每个胞元的梯度直方图作为一个本征向量，每4个胞元组成一个块，然后把图像所有分块的特征向量组合合成目标图像的HOG本征向量。HOG虽然具有较强的图像边缘信息描述能力，但是对于图像的空间信息描述不足。因此，Anna Bosch采取空间四叉树分解方法，划分目标图像子空间，并且进行多尺度表达，通过利用已经划分的空间区域分析边缘特征的梯度方向直方图来体现目标特征，即PHOG[5](金字塔式梯度方向直方图)。图1为绝缘子红外图像不同尺度L下PHOG特征的梯度柱状图。
省级公司能够根据行业形势的要求和全省工作重点，统筹安排审计计划，调配全省系统审计资源，审计重点得到保证，扩大了审计监督的广度和深度。
图1 不同尺度PHOG特征的梯度柱状图
PHOG相对于HOG可以检测到不同尺度L下图像的特征，能够更好地进行巡检目标图像描述，展现出更丰富的特征信息，但另一方面其特征计算量与L成正比增加。这是因为当图像所划分的层次过高时，所分无效信息区域概率增大，它们不包含必要的图像边缘特征，反而增加了特征向量的长度和计算时间，且会对之后的分类产生干扰。因此，选取合适的L值对具体应用很关键。
2 FastPCA和PHOG特征加权融合的电气设备类型及故障识别算法
由于不同的描述子对图像的特征描述各有侧重，很多情况下是无法达到最优的，如前文所介绍的两种应用算法：FastPCA更强调对图像的全局特征描述，PHOG对图像的局部特征则有更强的描述能力。针对红外图像下变电站电气设备类型及其故障识别问题，以及受多特征融合技术的启发，本文提出两种特征加权融合的混合描述子，同时设计了变电站电气设备类型及其故障状态识别算法。因此，本文算法提取的特征充分利用了图像全局和局部的信息，有效解决了图像整体信息特征和局部信息特征描述的矛盾，为后续的分类工作奠定了良好的基础。
本文算法具体流程见图2。
广西与香港在金融术语翻译方面存在着文字翻译与意义翻译的区别。在广西，则存在过多的文字翻译。例如，“second board”在广西，被翻译成 “二板市场”，而在香港，则翻译成 “二级市场”。香港的翻译“二级市场”比广西的翻译“二板市场”语义更明了，因为其更能表达出商业市场行为。以下列举广西与香港部分金融术语翻译的文字翻译及意义翻译词汇[3]（见表1）：
其实现代人健康意识和自我保护意识增强是好事，但也不应该对专家过分“迷恋”，专家的门诊时间有限，对每位患者的诊断时间也有限，这就造成挂号难的问题。而且，不是所有病都必须挂专家号，可以先到普通门诊就医听取医生建议，遇到治疗难题时再向专家请教，这样能省去很多时间。当然，如果你的病恰好有专病门诊，那最好去找专病门诊的医生，他们通常对某一病症的检查治疗具有很专业的水平。
图2 识别系统算法流程
2.1 前期数据处理
由于变电站各种电气设备之间的分布比较紧凑，从而导致巡检拍摄的电气设备图片背景异常复杂。因此，引入改进的K-means算法进行红外图像分割，该方法根据原始图像直方图估计聚类数K值，分割前分别采用直方图均衡化、模糊集理论进行对比度调整和增强图像，为后续K-means算法对图像数据的处理做准备[14]。
浙江省境内公家单位所藏东晋至宋初的敦煌写本201件，这批文献包括浙江博物馆藏176件、浙江图书馆藏20件、杭州市文物保护管理所藏4件和灵隐寺藏1件。这批敦煌写本内容丰富，除佛教经卷外，可以确定的还有道经、经济文书、斋文、诗词、小说、书仪、画像等。藏品大部分为汉文写本，也有6件藏文和少量回鹘文写本，另有零星裱装及包裹写卷的唐代实物。后有学者增录3件，包括浙江博物馆藏仕女像壁画残块和2件温州博物馆藏敦煌文献，将浙藏敦煌文献的数量扩展至204件。
本文算法提取的FastPCA和PHOG特征数量巨大，为防止采集图像特征数据中大的数字范围的压倒性，必须进行数据规格化。通常应用最大最小规格化方法 (min-max Normalization)，其实质是进行一种线性转换，将原属性A的一个值v映射为新v′(v′∈[newmaxA,newminA])，设vminA和vmaxA为v的最小值和最大值，则有
(4)
2.2 FastPCA与PHOG特征提取
为得到类内差异小、类间差异大的最佳区分力特征，本方法采用 FastPCA 从样本图像提取主成分，利用投影进行基的转换和降维，得到相应的FastPCA特征向量；再结合PHOG 对该巡检设备目标图像进行不同尺度的分割，采集分割后图像边缘轮廓的梯度方向直方图并串联成一维特征向量，即 PHOG 特征向量。
2.3 FastPCA与PHOG特征加权融合
在主成分分析时，从描述能力和速度的角度出发，一般对特征向量选取20维特征，所以设提取的FastPCA特征为20维的特征向量Y。在PHOG(L=1时)中，每个Block生成的描述子维度36或45(顺序叠加4个胞元的9个bin的直方图，会额外添加9维的整体信息)，所以设提取的PHOG特征为45维特征向量X。在进行数据归一化后，为区别FastPCA特征和PHOG特征的权重，可将其分别乘以权重系数 α、β，再重新组合，构成新的65维描述子。
权重系数α、β的选取非常重要，它们都为正数且满足约束条件α+β=1。首先在0～1区间内选取等间隔的10组 α、β 值；而后，针对不同组的权重系数进行训练分类，选择分类效果最好的那组作为当前数据库的权重系数。图3为电压互感器瓷套红外图像的新描述子的梯度柱状图(PHOG特征提取参数设置为：bin=9，L=0、1、2，angle=180，α=0.5，β=0.5)。
图3 加权融合后的特征描述子的梯度柱状图
不同尺度L下，图像的特征向量维数不同，随L的增大而迅速增大。并且训练集不同，L最佳取值往往不同，常选取L=1～4。对于本次使用的红外图像数据样本，L=1时描述子维数为45维，当L=2时描述子维数为209维， 试验表明当L≥3时维数迅速增加，分类效果下降。本文算法充分汲取了PHOG特征和FastPCA特征的各自优点，通过训练样本集的特点分别调节 α、β 值，以达到最优的描述效果。
2.4 参数搜索优化及SVM分类
本文采用SVM进行最终的分类，支持向量机参数中选择RBF作为核函数。目的是利用其可将输入样本映射到高维空间，解决非线性不可分问题。而且具有对样本大小、维度变化适应性强的特点。利用SVM分类时，SVM分类分类器的性能受到多个参数影响，同时影响其推广能力[15]。所以，本文采用文献[16]基于交叉验证和网格搜索的参数选择方法LibSVM来优化RBF核自身的参数γ、错误代价系数C以及权重系数α 和 β，其中C的初始值一般可以设置为inf，γ设置为1。
3 试验结果与分析
3.1 硬件环境及试验数据
本文算法试验所用的自建红外样本库是利用FLUKE TI400热成像仪采集的图像数据。此采集设备包括工业级500万像素的可见光相机、IFOV(空间分辨率)1.31 mrad的红外镜头以及先进的IR-Fusion技术(具备可见光图像与红外图像融合功能，并且可以改变融合比例)。本文所设计的识别系统试验平台选择的硬件参数为：Intel(R)Core(TM) i5 CPU 1.7～2.4 GHz RAM 12GB，Windows8.1操作系统。
试验数据样本集Ⅰ有训练及测试数据样本共80个，包含变压器、正常状态绝缘子、过热绝缘子、零值绝缘子、电源和其他3种干扰物体。为测试不同参数下分类器的性能，设置样本集Ⅱ，样本数量80个，设备种类有所区别。样本集Ⅰ、Ⅱ所有图像的分辨率均调制为128×96。图4为样本集Ⅰ的部分样本图像，包括正常、过热、零值3种同型号绝缘子及干扰物。样本符合2016版《带电设备红外诊断应用规范》[17]的设备特征要求。
图4 部分样本的红外图像
3.2 对比试验
为验证本文算法对红外图像下电气设备类型及故障状态识别的有效性，将本文算法与PHOG+SVM算法[18]、FastPCA+SVM算法[19]进行运行时间、分类精度的对比以及参数优化后的性能分析。此对比试验数据为样本集Ⅰ，试验结果如表1所示。
表1 算法测试数据对比分析表
算法训练及测试时间/s参数优化前精度C、γ优化后SVM精度/%PHOG+SVM2.89(L=1)受L/C/γ等参数影响,一般<80%83.2(L=1)FastPCA+SVM1.296不确定状态,受样本及参数影响大,一般<80%91.0本文算法3.70受L/C/γ等参数影响,一般<80%95.7
由表1的数据对比分析可知，对于自建样本集Ⅰ的80个红外图像样本，未优化参数时3种算法的识别精度都低于80%，对RBF核自身的参数γ以及错误代价系数C优化后，3种算法的识别精度都得到一定的提升。总体而言，本文算法精度最高，可达到95.7%，3.7 s的运行时间相比于另外两种算法稍长。但是，随着多线程编程技术和计算机高性能GPU和配套加速库的发展，其处理速度越来越高，算法运行时间会大大缩短，足以满足实时要求。除此之外，由于本文算法训练所需样本集很小，而且仅提取65维特征向量，特征向量维度小、计算机相对计算量低，对于硬件配置同样要求低，便于扩展应用。
同时根据训练样本结果分析，该融合算法不仅对不同类型巡检目标图像有较高的分辨能力，而且对同型巡检目标图像也具有较高类内分辨能力。该特点，为同型巡检目标图像的不同故障判别奠定了基础，如对试验样本集Ⅰ中的正常、过热、零值3种同型号绝缘子具有很好的分辨效果。
大部分国家和地区的教师开展教学活动时，比较依赖教材的探究活动。这就对教材中探究活动的实用性提出了较高要求。情境的创设是十分重要的，建议多创设学生感兴趣的真实情境，甚至有关地理原理和过程的学习也可以结合真实情境展示。
3.3 鲁棒性试验
性能良好的特征描述子区分能力强，除此之外为保证推广能力，要有较强的鲁棒性，所以本文设计了相关的测试试验。首先在测试集Ⅰ中设置目标设备图像角度和位置变化的样本，根据测试数据分析，对于目标巡检图像，当尺度L=0时基本无变化，L=1时识别精度下降5%。此外，对测试集Ⅰ的样本添加干扰，见图5，均添加噪声密度为0.02的椒盐噪声以及一定程度的背景干扰(线条、颜色、虚化)。经试验发现：从这些样本提取的特征向量依旧具有较好的区分能力。
图5 算法的鲁棒性试验
总体来说，本文提出的FastPCA和PHOG特征加权融合的混合描述子综合考虑了训练样本集局部和整体信息，并调节 α、β 值权重，因此增强了算法的鲁棒性。
3.4 相关参数设置对试验结果的影响分析
本节主要分析参数L、C、γ对本文算法识别性能的影响，试验数据为样本集Ⅰ和样本集Ⅱ。
由表2可以得出：当L≤2时，本文算法分类精度相比PHOG+SVM有很大的提高，但当L≥3时分类精度急剧下降，这和L过高时，那些不包含边缘信息且会使特征向量变长的空白块的增加相关。由此可以缩小L的最佳值寻找范围，通过测试样本集数据对比分析，可以得出，对于本测试数据L=1时存在最佳分辨率。
表2 尺度L对样本识别性能的影响 %
性能L012367PHOG+SVM分类精度67.986.485.786.571.327.2本文算法分类精度89.794.384.828.118.017.8
通过调整附加错误代价系数C，可以权衡最大分类间隔与最小化训练错误以及增强对测试样本的推广能力。根据本测试数据样本集分析，C值的影响较弱，而对支持向量机中采用的RBF核函数的参数γ则较为敏感。不同样本集的最佳参数会有差异，利用LibSVM对自建数据库进行参数搜索优化后发现对样本集Ⅰ的推荐值为C=127，γ=0.007 8；对样本集Ⅱ的推荐值为C=127，γ=0.02。为了更加直观地观察参数γ对分类精度的影响，对两组试验数据集的训练与测试样本采取交叉试验取平均值的方法，测试数据如表3、表4所示。
表3 参数γ对Ⅰ组数据识别性能的影响
γ训练时间/s测试时间/s正确率/%0.000 11.9361.51597.00.007 81.8501.51497.50.021.8581.51995.00.11.9071.49292.50.51.9251.50887.511.8181.53435.0
表4 参数γ对Ⅱ组数据识别性能的影响
γ训练时间/s测试时间/s正确率/%0.000 10.940.5285.60.007 80.980.5192.50.020.890.5395.00.10.970.5387.90.50.900.5284.510.930.4945.0
分析两组试验结果可知：当参数γ=1时，分类精度都很低，随着γ的减小分类正确率显著提升。对于样本集I而言，在γ=0.007 8时，分类准确率达到最大且为97.5%；对于样本集Ⅱ，在γ=0.02时，分类准确率达到最大且为95.0%。对于本文算法和自建红外样本集而言，在L=1、C=127、γ=0.007 8时，可取得最佳分辨率，经样本集I测试的电气设备类型及其故障状态识别率高达97.5%。
3.5 系统运行界面
为方便实际应用操作，依据FastPCA和PHOG特征加权融合的识别算法建立分类识别系统，用户可以通过运行界面快速判断电气设备类型及故障状态。图6、图7为FLUKE TI400热成像仪对应的图像分析软件Smartview和搭建的识别系统的运行界面。
图6 Smartview软件界面
图7 识别系统运行界面
4 结束语
本文提出一种基于FastPCA和PHOG特征加权融合的电气设备类型及其故障状态识别算法，并建立分类识别系统。该算法融合了PHOG和FastPCA特征的优点，增强了对图像的整体和局部的信息描述能力，加权融合特征能很好地区分各类设备及其故障状态。试验结果表明，本文提出的算法对于巡检目标电气设备及其故障状态识别率较高，准确率也有明显提升(达97.5%)，而且对于变电站的复杂背景也具有良好的稳定性和鲁棒性。另外，通过自建红外图像样本集测试，发现该算法特别适合小样本的数据集，并且在现场运行条件和环境改变时，能快速地添加训练的新样本，提高识别准确率。
参考文献：
[1] 张鹏.在高压电气设备故障诊断中应用红外检测技术的分析[J].电子世界, 2017(16):188.
ZHANG Peng. Analysis of the Application of Infrared Detection Technology in Fault Diagnosis of High Voltage Electrical Equipment[J]. Electronic World, 2017(16): 188.
[2] 康高亮.中国高速铁路安全保障体系研究与实践[J]. 铁道学报, 2017，39(11):6-12.
KANG Gaoliang. Research and Practice of Safety Guarantee System for China High-speed Railway[J]. Journal of the China Railway Society, 2017，39(11): 6-12.
[3] 王淼,杜伟,孙鸿博，等. 基于红外图像识别的输电线路故障诊断方法[J].红外技术, 2017, 39(4):383-386.
WANG Miao, DU Wei, SUN Hongbo，et al. Transmission Line Fault Diagnosis Method Based on Infrared Image Recognition[J].Infrared Technology, 2017, 39(4):383-386.
[4] 吕俊.基于场景约束的高压设备红外识别技术研究与应用[D].合肥：安徽大学, 2015.
[5] BOSCH A, ZISSERMAN A, MUNOZ X. Representing Shape with a Spatial Pyramid Kernel[C]// ACM International Conference on Image & Video Retrieval.Amsterdam：ACM, 2007：401-408.
[6] 龙福海,张鑫,任刚，等.基于红外图像的零值绝缘子自动检测算法[J].红外,2017,38(12):38-42.
LONG Fuhai, ZHANG Xin, REN Gang，et al. Automatic Zero Value Insulater Detection Algorithm Based on Infrared Image[J].Infrared,2017,38(12):38-42.
[7] 庞春江,张鹏程.基于深度学习模型与稀疏表示的绝缘子状态分类[J].软件导刊, 2018,17(5):40-42.
PANG Chunjiang, ZHANG Pengcheng. Insulator State Classification Based on Deep Learning Model and Sparse Representation[J].Software Guide, 2018,17(5):40-42.
[8] 李云昊.基于红外成像的嵌入式变压器故障检测技术的研究[D].重庆：重庆理工大学,2018.
[9] 马宁,陶亮.基于多特征融合的室内场景识别[J].控制工程, 2016, 23(11):1845-1850.
MA Ning, TAO Liang. Indoor Scene Recognition Based on Multiple Feature Fusion[J]. Control Engineering, 2016, 23(11): 1845-1850.
[10] 董文菲.基于多特征融合和SVM分类的图像检索技术研究[D].哈尔滨:哈尔滨理工大学, 2015.
[11] 梁付新,刘洪彬,常发亮.多特征融合匹配的霍夫森林多目标跟踪[J].西安电子科技大学学报, 2018，45(1):129-134.
LIANG Fuxin, LIU Hongbin, CHANG Faliang. Multi-target Tracking Algorithm Based on the Multi-feature Fusion Matching and Hoff forest[J]. Journal of Xidian University, 2018，45(1): 129-134.
[12] 王思华,景弘.一种接触网绝缘子污闪预测方法的研究[J].铁道学报, 2018,40(3):58-67.
WANG Sihua, JING Hong. Study on Method for Predicting Pollution Flashover of Insulators in Contact Network[J]. Journal of the China Railway Society, 2018,40(3):58-67.
[13] LIU Z. A Novel Remote Sensing Image Classification Algorithm Based on Multi-feature Optimization and TWSVM[J]. Journal of Multimedia, 2013, 8(5):496-502.
[14] 巩方超,王硕禾,张琳娜,等.基于模糊集和K-means算法的变压器红外图像分割[J].石家庄铁道大学学报(自然科学版),2018,31(2):76-81.
GONG Fangchao, WANG Shuohe, ZHANG Linna, et al. Transformer Infrared Image Segmentation Based on Fuzzy Set and K-means Algorithm[J]. Journal of Shijiazhuang Tiedao University (Natural Science Edition), 2018, 31(2): 76-81.
[15] AGATA M,NIKOLAY N, STANISLAV,et al. Facial Expression Classification Using Supervised Descent Method Combined with PCA and SVM[M]. Berlin:Springer International Publishing, 2014.
[16] CHANG C C, LIN C J. A Library for Support Vector Machines[J]. ACM Transactions on Intelligent Systems and Technology,2011,2(3):1-39.
[17] 国家能源局.带电设备红外诊断应用规范：DL/T 664—2016[S].北京：中国电力出版社，2016.
[18] MIN Y, ZHU C. SVM and Adaboost-based Classifiers with Fast PCA for Face Reocognition[C]// IEEE International Conference on Consumer Electronics-China.New York:IEEE,2017:1-5.
[19] SUGIHARTO A, HARJOKO A. Traffic Sign Detection Based on HOG and PHOG Using Binary SVM and K-NN[C]// International Conference on Information Technology. New York:IEEE,2016:317-321.