بکارگیری شبکه ی عصبی دو کانالی با تابع هدف جدید برای پیش بینی پایداری گذرا در فضای نامتوازن

امروزه نقش تاثیرگذار فناوری اطلاعات در حوزه های مختلف صنعتی برای استخراج دانش، سبب جمع آوری حجم انبوهی از داده در بسیاری از برنامه های کاربردی شده است. یکی از چالش های مهم در این زمینه، وجود داده های نامتوازن است که چگونگی مواجهه با آن از مسائل مهم در تشخیص الگو می باشد. برای این منظور، در این مقاله، چارچوب الگوریتمی مبتنی بر شبکه ی عصبی عمیق دو کانالی با تعریف تابع بهینه سازی جدید برای طبقه بندی مجموعه داده ی نامتوازن ارائه می شود. شبکه ی عصبی عمیق دو کانالی از توابع هدف ماشین بردار پشتیبان دوقلو به عنوان تابع بهینه سازی در فرآیند یادگیری هر کانال استفاده می کند. در هر کانال از طبقه بند پیشنهادی، از لایه های ورودی و پنهان به عنوان ماژول استخراج ویژگی استفاده می شود. همچنین، در لایه ی خروجی نیز ماژول طبقه بند ماشین بردار پشتیبان دوقلو برای تعریف توابع هدف بکارگیری شده است. در واقع، عدم نیاز به ایده ی هسته برای ترسیم خط تفکیک کننده در فضای ویژگی غیرخطی، انگیزه ی اصلی در طراحی چارچوب پیشنهادی می باشد. با توجه به اهمیت پیش بینی وضعیت پایداری گذرا سیستم قدرت با فضای دادهای نامتوازن، از داده های نامتوازن گذرا حاصل از اعمال اغتششات شدید بر روی شبکه ی قدرت NETS-NYPS برای ارزیابی مدل پیشنهادی استفاده شده است. نتایج آزمایش نشان می دهد که چارچوب پیشنهادی از ظرفیت بالایی در طبقه بندی داده های نامتوازن سیستم قدرت برخوردار است

کلیدواژه ها:

شبکه ی عصبی ، ارزیابی پایداری گذرا سیستم قدرت ، داده های نامتوازن گذرا