Dipilih dari software, topik, dan level “Kelas Klasifikasi Gangguan Kualitas Daya Wavelet #4: Ekstraksi Fitur Energi & Statistik dari Koefisien Wavelet”.
Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, setiap sinyal 640 sampel diringkas menjadi 32 fitur dari koefisien wave-flat dan RMS. Dari sebaran fiturnya saja, kita sudah bisa melihat kelas-kelas gangguan terpisah. Ayo kita mulai. Halo, selamat datang di episode keempat seri klasifikasi gangguan kualitas daya dengan wave-flat. Koefisien wave-flat masih terlalu banyak dan panjangnya berbeda-beda untuk langsung dipakai machine learning. Kita perlu meringkasnya menjadi fitur yang bermakna. Hari ini kita membuat 32 fitur dan melihat seberapa baik fitur itu memisahkan kelas.
Langkah 1: Fitur energi, statistik & entropi
Buat file fitur.py Untuk setiap koefisien wave-flat kita hitung 5 fitur. Energi relatif terhadap energi total, simpangan baku, rata-rata nilai absolut, nilai absolut maksimum, dan entropi Shannon, yang mengukur seberapa tersebar energinya. Transient yang singkat punya entropi D1 rendah karena energinya terkumpul di beberapa koefisien. 6 koefisien x 5 fitur menghasilkan 30 fitur, ditambah RMS terendah dan tertinggi persiklus untuk gangguan magnitudo.
Langkah 2: Nama fitur & matriks fitur
Daftar nama fitur dibuat otomatis, misalnya energi underscore D1 atau entropi underscore A5, dan fungsi matriks fitur menghitung fitur untuk banyak sinyal sekaligus. Buat file ekstraksi.py
Langkah 3: Fitur seluruh dataset
Kita membuat dataset dan menghitung fitur seluruh sinyal, lalu menyimpannya ke fitur underscore peki.npz. Jalankan. Matriks fiturnya 2700 x 32, selesai dalam kurang dari 1 detik. Rata-rata per kelas memperlihatkan pola yang jelas. Energi D1 transient dan NOP paling tinggi, energi D3 tertinggi pada harmonik dan sec plus harmonik karena harmonik ketiga sampai ketujuh ada di pita itu, RMS terendah memisahkan sec, interupsi, dan sec plus harmonik, sedangkan RMS tertinggi memisahkan swell.
Langkah 4: Sebaran fitur per kelas
Mari lihat box plot 4 fitur. RMS terendah memisahkan interupsi di dekat 0 dan sec di tengah. RMS tertinggi menonjolkan swell. Energi D3 menonjolkan 2 kelas harmonik. Masih ada kelas yang tumpang tindi di satu fitur, misalnya NOC dan NORMAL, tetapi kombinasi 32 fitur memberi machine learning cukup informasi untuk membedakannya.
Selesai!
Selesai. Kita sudah mengekstrak 32 fitur energi, statistik, dan entropi dari koefisien wavelength ditambah RMS, lalu melihat bagaimana fitur memisahkan kelas. Di episode berikutnya kita melatih SVM, Random Forest, dan XGBoos. Sedang menyusun skripsi, tesis, atau riset di bidang kualitas daya listrik dan pengolahan sinyal? Cerdas inovasi digital membantu implementasi machine learning, dari pembangkitan sinyal gangguan sesuai IEEE-159, transformasi wavelength, ekstraksi fitur, sampai klasifikasi dengan SVM, Random Forest, dan XGBoos, serta membuka kursus pemrograman Python untuk teknik elektro. Ingin menguasai seluruh seri ini, dari sinyal sintetis sampai uji ketahanan NICE? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Terima kasih telah menonton, sampai jumpa di episode berikutnya. Terima kasih telah menonton!
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.290 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
