Klasifikasi SVM Jenis Gangguan Saluran Transmisi dari Fitur Arus dan Tegangan Simulasi

Info proyek

• Bidang studiSistem Tenaga dan Energi Terbarukan
• JenjangTesis (S2)
• Jenis metodeMachine Learning
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatfitcsvm, predict, crossval, perfcurve (Statistics and Machine Learning Toolbox)
• HargaRp 450.000 - Rp 2.700.000

Tujuan analisis

Membangun model SVM untuk memprediksi jenis gangguan dari fitur arus gangguan dan tegangan fasa sehat pada data sintetis.

Variabel

Contoh hasil

• 0.861Test accuracy
• 0.878F1 score
• 73Support vectors
• 0.923Best CV accuracy
• 0.316Best box constraint
• 0.529Kernel scale

SVM kernel RBF mengklasifikasikan Fault type dengan akurasi uji 0.861 dan F1 0.878 memakai 73 vektor penyangga; validasi silang terbaik 0.923 dicapai pada C=0.32.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Support Vector Machine (fitcsvm)

fitcsvm melatih Support Vector Machine untuk klasifikasi biner dengan berbagai kernel. Cocok untuk klasifikasi pada data berukuran kecil sampai menengah dengan batas kelas yang kompleks.

Langkah pengerjaan

1. 1Siapkan matriks fitur dan label kelas
2. 2Bagi data latih dan uji dengan cvpartition
3. 3Latih fitcsvm dengan kernel RBF dan Standardize aktif
4. 4Setel BoxConstraint dan KernelScale (atau OptimizeHyperparameters)
5. 5Evaluasi akurasi, confusion matrix, dan AUC pada data uji
6. 6Gambar batas keputusan bila fitur dua dimensi

Asumsi yang perlu diperiksa

• Fitur distandarisasi karena SVM peka skala
• Hyperparameter disetel dengan validasi silang pada data latih
• Kelas tidak terlalu timpang

Membaca dan melaporkan hasil

Laporkan kernel, hyperparameter, metrik data uji, dan jumlah support vector. Akui keterbatasan interpretasi model kotak hitam.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

rng(6);
n = 300;
fault_current = randn(n, 2);
fault_type = double(sum(fault_current.^2, 2) > 1.4);          % circular class boundary

cv = cvpartition(fault_type, 'HoldOut', 0.25);
Xtr = fault_current(training(cv), :);  ytr = fault_type(training(cv));
Xte = fault_current(test(cv), :);      yte = fault_type(test(cv));

best = inf;
for C = [0.1 1 10 100]
    m = fitcsvm(Xtr, ytr, 'KernelFunction', 'rbf', 'KernelScale', 'auto', ...
        'BoxConstraint', C, 'Standardize', true);
    err = kfoldLoss(crossval(m, 'KFold', 5));
    if err < best, best = err; Cbest = C; end
end
mdl = fitcsvm(Xtr, ytr, 'KernelFunction', 'rbf', 'KernelScale', 'auto', ...
    'BoxConstraint', Cbest, 'Standardize', true);
[pred, score] = predict(mdl, Xte);
[~, ~, ~, auc] = perfcurve(yte, score(:, 2), 1);
fprintf('Best C = %g, CV error = %.3f\n', Cbest, best);
fprintf('Test accuracy = %.3f, AUC = %.3f, support vectors = %d\n', mean(pred == yte), auc, sum(mdl.IsSupportVector));
disp(confusionmat(yte, pred));

[g1, g2] = meshgrid(linspace(-3, 3, 150));
gp = predict(mdl, [g1(:) g2(:)]);
figure; gscatter(g1(:), g2(:), gp, [0.9 0.9 1; 1 0.9 0.9]); hold on;
gscatter(Xte(:,1), Xte(:,2), yte, 'br', 'ox');
xlabel('x_1'); ylabel('x_2'); title('SVM decision regions');

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum