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

امروزه نقش تاثیر گذار 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 داده ای نامتوازن، از داده های نامتوازن گذرا حاصل از اِعمال 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.

Using dual neural network associated with novel companion objective function for transient stability prediction on imbalanced space

Today, the effective role of information technology in various industrial fields for knowledge extraction has led to the collection of large amounts of data in many applications. One of the major challenges in this field is the existence of unbalanced data, and how to deal with it is one of the important issues in pattern recognition. For this purpose, in this paper, an algorithmic framework based on a deep two-channel neural network with the definition of a new optimization function for classifying unbalanced data sets is presented. The two-channel deep neural network uses the target functions of the twin support vector machine as an optimization function in the learning process of each channel. In each channel of the proposed classifier, input and hidden layers are used as feature extraction modules. Also, in the output layer, the twin support vector machine classifier module is used to define the target functions. In fact, the lack of the need for a core idea to draw the dividing line in the nonlinear property space is the main motivation in designing the proposed framework. Due to the importance of predicting the transient stability of the power system with unbalanced data space, transient unbalanced data from severe disturbances on the NETS-NYPS power network have been used to evaluate the proposed model. The test results show that the proposed framework has a high capacity for classifying unbalanced power system data.