संक्रमण रेखा दोष वर्गीकरण के लिए हाइब्रिड टैगुची व्हॉर्क्स खोज एल्गोरिदम के साथ फीड-फॉरवर्ड न्यूरल नेटवर्क प्रशिक्षण

इस अध्ययन में, हाइब्रिड टैगुची व्हॉर्क्स खोज (HTVS) एल्गोरिदम का उपयोग किया गया है, जो तेज समागम दर प्रदर्शित करता है और स्थानीय सर्वश्रेष्ठता से बचता है, इसे फीड-फॉरवर्ड न्यूरल नेटवर्क (FNNs) के लिए एक नए प्रशिक्षण एल्गोरिदम के रूप में और इसका प्रदर्शन वॉर्क्स खोज (VS) एल्गोरिदम, कण झ swarm अनुकूलन (PSO) एल्गोरिदम, गुरुत्वाकर्षण खोज एल्गोरिदम (GSA) और हाइब्रिड PSOGSA एल्गोरिदम के साथ तुलना करके विश्लेषित किया गया। HTVS आधारित FNN (FNNHTVS) एल्गोरिदम को UCI डेटाबेस (कैलिफ़ोर्निया विश्वविद्यालय, इरविन का मशीन लर्निंग भंडार) से ली गई तीन डेटासेट्स (आइरिस वर्गीकरण, वाइन पहचान और बीज वर्गीकरण) और 3-बिट समता समस्या पर लागू किया गया। प्राप्त सांख्यिकीय परिणामों को तुलना के लिए दर्ज किया गया। फिर, प्रस्तावित एल्गोरिदम का उपयोग संक्रमण रेखाओं पर दोष वर्गीकरण के लिए किया गया। विभिन्न दोष प्रकारों, दोष स्थानों, दोष प्रतिरोध मूल्यों और दोष आरंभिक कोणों के लिए 735 kV, 60 Hz, 100 किमी संक्रमण रेखाओं का उपयोग करके एक डेटासेट बनाया गया। FNNHTVS एल्गोरिदम को इस डेटासेट पर लागू किया गया और इसकी प्रदर्शन की तुलना अन्य वर्गीकर्ताओं के साथ की गई। परिणामों ने संकेत दिया कि FNNHTVS एल्गोरिदम का प्रदर्शन कम से कम अन्य तुलना एल्गोरिदम के समान सफल था। यह दिखाया गया है कि HTVS के साथ प्रशिक्षित FNN मॉडल वर्गीकरण समस्याओं के समाधान के लिए एक सक्षम विकल्प के रूप में उपयोग किया जा सकता है।