| ترجمه مقاله انتخاب زير مجموعه براي برآورد پارامتر بهبود يافته در شناسايي خط از يك ژنراتور سنكرون
در اين مقاله اثبات مي‌كنيم كه براي مدل ژنراتور سنكرون به كار رفته در آزمايش‌هاي شناسائي مرجع 16، و براي اندازه‌گيري‌هاي با كيفيت مشابه (تركيب با مدل مرجع 16، چون داده‌هاي اصلي در اختيار ما قرار نداشتند)، استراتژي ارائه شده منجر به فرايند تخمين كاهش مرتبه و تخمين ديگر پارامترهاي مرتبطي مي‌شود كه نسبت به حالتي كه همه پارامترها با هم تخمين زده شوند، |
 |
| دسته بندي | برق |
| فرمت فايل | docx |
| حجم فايل | 915 كيلو بايت |
| تعداد صفحات فايل | 10 |
انتخاب زير مجموعه براي برآورد پارامتر بهبود يافته در شناسايي خط از يك ژنراتور سنكرون+ نسخه انگليسي
Subset Selection for Improved Parameter Estimation in On Line Identification of a synchronous Generator
در اين مقاله اثبات مي‌كنيم كه براي مدل ژنراتور سنكرون به كار رفته در آزمايش‌هاي شناسائي مرجع [16]، و براي اندازه‌گيري‌هاي با كيفيت مشابه (تركيب با مدل مرجع [16]، چون داده‌هاي اصلي در اختيار ما قرار نداشتند)، استراتژي ارائه شده منجر به فرايند تخمين كاهش مرتبه و تخمين ديگر پارامترهاي مرتبطي مي‌شود كه نسبت به حالتي كه همه پارامترها با هم تخمين زده شوند، رفتار بهتري از خود نشان مي‌دهد. بخش II مقاله به طور خلاصه مساله حداقل مربعات غيرخطي را مرور كرده و روي نقش ژاكوبينِ (يا گراديان يا ماتريس مشتق اول) بردار خطا نسبت به بردار پارامتري در يافتن تخمين حداقل مربعات روش گوس- سايدل تاكيد دارد؛ همچنين Hessian (يا ماتريس مشتق دوم) معيار خطا نسبت به بردار پارامتري تعريف مي‌شود. سپس همين بخش، ايده اصلي فرايند انتخاب زيرمجموعه‌اي را كه به ژاكوبين يا Hessian اعمال مي‌شود را بيان كرده و در نهايت الگوريتم را به صورت جزئياتي تشريح مي‌كند. بخش III سيستم تست را توصيف كرده و نحوه استخراج مقادير آزمايش‌هاي شناسائي را توضيح مي‌دهد، سپس نتايج آزمايش‌هاي تخمين مختلفِ انجام شده روي سيستم را ارائه مي‌كند. برخي نتيجه‌گيري‌ها نيز در بخش IV بيان شده است.
