當(dāng)通過傳統(tǒng)的判別方法對(duì)電纜故障進(jìn)行分類時(shí)，判別結(jié)果的不確定性問題很容易解決：Fisher線性鑒別器用于區(qū)分電纜的故障類別。

　　方法基于區(qū)分兩種類型的已知樣本的Fisher方法，并構(gòu)造用于區(qū)分未知樣本的優(yōu)化方法，并允許詳細(xì)的推導(dǎo)。驗(yàn)表明，該方法有效地解決了尋找未知樣本最優(yōu)解和判斷辨別程度的實(shí)際問題。于Fisher判別式具有兩個(gè)不確定性關(guān)鍵詞：進(jìn)行詳細(xì)推導(dǎo)。驗(yàn)表明，該方法可以搜索未知樣品的最優(yōu)解，并確定分離程度。
　　Fisher的線性判別式;最優(yōu)解;分辨率關(guān)鍵詞：電纜缺陷;線性Fisher判別：最優(yōu)解;分離度中圖分類號(hào)：TM726.4文獻(xiàn)標(biāo)識(shí)碼：A產(chǎn)品號(hào)：1006-4311（2016）22-0136-03引言近年來，電纜已應(yīng)用于城市和工礦業(yè)來自中國(guó)。已被廣泛用于網(wǎng)和農(nóng)網(wǎng)的處理。著重建城市網(wǎng)絡(luò)和農(nóng)村電網(wǎng)的項(xiàng)目逐步推進(jìn)，線路越來越多，電纜數(shù)量逐漸增加。纜幾乎用于所有領(lǐng)域，如港口，機(jī)場(chǎng)，鋼鐵，油田，石化和發(fā)電。而，在饋送電力電纜的過程中，在電纜故障的情況下，難以識(shí)別和定位故障，并且故障的存在將不可避免地導(dǎo)致電源故障。速高效的電力電纜故障識(shí)別是故障管理的重要步驟。本文中，基于Fisher的判別方法，有效地對(duì)電纜缺陷進(jìn)行了分類，并分析了Fisher的判別結(jié)果。Fisher線性判別分析的基礎(chǔ)知識(shí)對(duì)于維空間樣本，投影被映射到一維坐標(biāo)，并且樣本的特征是混合的并且難以區(qū)分。

　　果您正在尋找投影方向以輕松區(qū)分樣本和投影方向，這是漁夫標(biāo)準(zhǔn)的基本原則。
　　Fisher判別方法的基本思想是盡可能地在一個(gè)方向（直線）上投影n維n維數(shù)據(jù)集，以便盡可能地分類。
　　式上，這種方法是一種稱為降維的方法。
　　這里，我解釋了Fisher判別方法在兩類問題中的原理，如圖1所示。用Fisher線性判別識(shí)別電纜故障類型故障類型分類相電壓默認(rèn)故障電流和故障相電流包含大量故障信息，這使得可以通過觀察故障信號(hào)的原始特征來識(shí)別故障。線電纜電壓的單極分量的小波分解系數(shù)的平方和與不同類型的電纜故障之間存在一些內(nèi)在關(guān)系。

　　此基礎(chǔ)上，可以通過熵獲得電纜故障信號(hào)的電壓故障信號(hào)的零序分量的幅度和相位，并且為此定義幅度熵和相位熵。成一組二維特征向量。過三小波小波包分解方法處理幅度信號(hào)Am。
　　先，根據(jù)高頻和低頻特性，將Am分解為低頻部分和高頻部分，礦用電纜并獲得與高頻部分和低頻部分對(duì)應(yīng)的高頻系數(shù)矢量和低頻系數(shù)矢量，然后分解系數(shù)向量以獲得高頻和低頻兩部分。據(jù)分解情況，小波包用于分解幅度信號(hào)，這可以完全滿足高頻和低頻分解要求。幅度Am的每個(gè)頻帶的能量函數(shù)的負(fù)積與其對(duì)數(shù)的和定義為幅度Hm的熵。

　　
　　驗(yàn)結(jié)果如圖2所示。2.相位熵和幅度熵的Fisher判別結(jié)果：閾值W0 = -1.7718和Y =（ - 0.3816，-0.4365，-0.4126）T要測(cè)試的樣本，我們可以看到y(tǒng)i> W0，因此，這組樣本屬于第一類。論仿真實(shí)驗(yàn)表明，改進(jìn)算法建立的模型能夠正確識(shí)別多個(gè)短路故障，然后對(duì)一組數(shù)據(jù)類別的判斷可以更有效地識(shí)別故障類型。

　　過本文檔中描述的方法識(shí)別樣品。
　　本文轉(zhuǎn)載自
　　電纜價(jià)格m.nxzc.com.cn