I
n
d
o
n
e
s
i
a
n
J
o
u
r
n
a
l
o
f
E
l
e
c
tr
i
c
a
l
E
n
g
i
n
e
e
r
i
n
g
a
n
d
C
o
m
p
u
te
r
S
c
i
e
n
c
e
V
ol
.
8,
N
o.
1,
O
c
t
ob
er
20
17
,
pp
.
12
2
~
128
D
O
I:
10.
115
91/
i
j
eec
s
.
v
8
.i
1
.
pp
12
2
-
12
8
1
22
R
ec
ei
v
ed
J
une 2
2
,
20
1
7
;
R
ev
i
s
ed
A
ug
us
t
15
,
20
1
7
;
A
c
c
ept
ed
S
e
pt
e
mber
3,
2
017
P
o
w
er
S
y
s
t
e
m
S
t
at
e E
s
t
im
a
t
io
n
Bad
Dat
a
Det
e
ct
io
n
an
d
Id
en
t
if
ica
t
io
n
:
A
Re
v
ie
w
o
n
Issu
es an
d
A
l
t
er
n
at
i
v
e
For
m
ul
a
ti
on
s
N
u
r
u
l
F
a
u
z
a
n
a
I
m
r
a
n
G
u
l
c
h
a
r
a
n
*
1
, N
u
r
s
y
a
r
iz
a
l M
o
h
d
N
o
r
2
,
T
ai
b
Ib
r
a
h
im
3
,
H
a
n
i
ta
D
a
u
d
4
1,
2
D
epar
t
m
e
nt
of
E
l
e
c
t
r
i
c
al
an
d E
l
e
c
t
r
on
i
c
E
ngi
n
eer
i
ng,
U
n
iv
e
r
s
it
i T
e
k
n
o
lo
g
i P
E
T
R
O
N
A
S
,
32610
,
S
er
i
I
s
k
an
dar
,
P
er
ak
,
M
al
ay
s
i
a
3,
4
D
epar
t
m
e
nt
of
F
un
dam
ent
a
l
and A
p
pl
i
ed S
c
i
en
c
e
s
,
U
n
i
v
er
s
i
t
i
T
ek
nol
ogi
P
E
T
R
O
N
A
S
,
32610
,
S
er
i
I
s
k
an
dar
,
P
er
ak
,
M
al
ay
s
i
a
*
C
or
r
es
po
ndi
ng
a
ut
hor
,
e
-
m
a
i
l:
nur
ul
f
auz
ana
88@
g
m
ai
l
.
c
om
A
b
st
r
act
S
t
at
e E
s
t
i
m
at
i
o
n (
S
E
)
i
s
t
he
m
ai
n f
un
c
t
i
o
n of
pow
er
s
y
s
t
e
m
w
her
e E
ner
g
y
M
anagem
ent
S
y
s
t
em
(
E
M
S
)
i
s
obl
i
ge
d t
o es
t
i
m
at
e
t
he av
ai
l
ab
l
e s
t
a
t
es
.
P
ow
er
s
y
s
t
em
i
s
a quas
i
-
s
t
at
i
c
s
y
s
t
em
and henc
e
c
han
ges
s
l
ow
l
y
w
i
t
h t
i
m
e.
D
y
n
am
i
c
S
t
at
e E
s
t
i
m
at
i
on (
D
S
E
)
t
ec
hn
i
qu
e r
epr
e
s
en
t
s
t
h
e t
i
m
e
dev
i
at
i
o
n nat
ur
e
of
t
he s
y
s
t
em
,
w
hi
c
h al
l
ow
s
t
he f
or
ec
as
t
i
ng of
s
t
at
e v
e
c
t
or
i
n adv
an
c
e.
V
ar
i
ous
t
e
c
hn
i
qu
es
f
or
D
S
E
ar
e
av
ai
l
ab
l
e
i
n
t
he
l
i
t
er
at
ur
e.
T
hi
s
pa
per
pr
e
s
ent
s
a r
e
v
i
ew
on
di
f
f
er
ent
m
et
ho
dol
ogi
e
s
and
dev
e
l
opm
en
t
s
i
n
D
S
E
,
bas
e
d on
c
om
pr
e
hen
s
i
v
e s
ur
v
ey
of
t
h
e a
v
ai
l
abl
e l
i
t
er
a
t
ur
e.
F
r
om
t
he s
ur
v
e
y
i
t
c
a
n b
e c
on
c
l
uded
t
ha
t
t
her
e
ar
e
s
t
i
l
l
ar
e
as
i
n
t
he
d
e
v
el
o
pi
n
g
D
S
E
t
hat
c
an
s
t
i
l
l
b
e
i
m
pr
ov
e
d
i
n
t
er
m
s
of
s
y
s
t
e
m
c
om
put
at
i
o
na
l
ti
m
e
,
r
ed
unda
nc
y
an
d r
ob
us
t
n
es
s
of
t
h
e s
y
s
t
em
.
Ke
y
w
o
rd
s
:
s
t
at
e es
t
i
m
at
i
o
n
,
dy
n
am
i
c
s
t
at
e
es
t
i
m
at
i
o
n
,
d
i
s
t
r
i
b
ut
i
o
n s
y
s
t
em
s
t
a
t
e e
s
t
i
m
at
i
on
,
ba
d dat
a
det
e
c
t
i
o
n an
d i
d
ent
i
f
i
c
at
i
on
C
o
p
y
r
i
g
h
t
©
2
01
7
I
n
s
t
i
t
u
t
e
o
f
A
d
v
a
n
c
e
d
E
n
g
i
n
e
e
r
i
n
g
a
n
d
S
c
i
e
n
c
e
.
A
l
l
r
i
g
h
t
s r
es
er
ved
.
1
.
I
n
tr
o
d
u
c
ti
o
n
S
t
at
e
E
s
t
i
m
at
i
on
(
S
E
)
w
as
i
nt
r
od
uc
ed
i
nt
o
t
h
e
po
w
er
s
y
s
t
em
f
i
el
d
b
y
S
c
h
w
ep
pe
s
et
al
,
i
n
t
he
e
ar
l
y
197
0s
,
bec
om
i
ng
a
m
ai
n
f
unc
t
i
on
f
or
t
he
E
M
S
b
y
s
up
pl
y
i
ng
dat
ab
as
e
of
t
he
s
y
s
t
em
i
n r
ea
l
-
t
i
m
e s
t
at
e t
o ex
ec
ut
e ot
her
E
M
S
f
unc
t
i
ons
[
1
-
3]
.
S
E
i
nv
ol
v
es
i
n
gat
h
er
i
ng r
e
al
-
t
i
m
e
m
eas
ur
e
m
ent
dat
a
(
l
i
n
e
f
l
o
w
s
,
i
nj
ec
t
i
o
n
and
v
o
l
t
a
ge
m
eas
ur
em
ent
s
)
v
i
a
S
C
A
D
A
and
c
al
c
u
l
at
es
t
he
v
ec
t
or
s
t
at
e us
i
ng t
he
p
r
edet
er
m
i
ned
S
E
al
gor
i
t
hm
[
4
-
5]
.
T
r
ans
m
i
s
s
i
on S
y
s
t
em
(
T
S
)
S
E
(
T
S
S
E
)
nor
m
al
l
y
t
ak
es
v
ol
t
a
ge m
agni
t
ud
e and
phas
e
ang
l
e as
s
t
at
e v
ar
i
a
bl
es
.
S
i
nc
e
196
0s
,
c
om
put
er
s
a
r
e us
ed f
or
on
-
l
i
ne
l
oa
d f
l
o
w
ana
l
y
s
es
of
m
ai
n di
s
t
r
i
b
ut
i
on
s
y
s
t
em
s
f
r
om
appr
ox
i
m
at
e l
oa
d m
odel
s
.
T
ehn
i
qu
es
us
e
d i
n
T
S
ar
e
i
n
di
r
ec
t
l
y
s
ui
t
ab
l
e t
o t
he d
i
s
t
r
i
b
ut
i
on n
et
w
or
k
f
r
o
m
t
h
e ex
c
ept
i
on
a
l
f
eat
ur
es
s
uc
h as
bei
n
g
un
der
r
adi
al
a
nd
w
eak
l
y
-
m
es
hed op
er
at
i
ons
as
w
e
l
l
as
num
er
ous
unba
l
anc
ed t
hr
e
e phas
e br
anc
he
s
w
i
t
h hi
g
h
r
/
x
r
at
i
os
and
un
ba
l
anc
e
d
l
oa
d
s
s
epar
at
e
d
b
y
s
hor
t
di
s
t
a
nc
es
.
A
dapt
at
i
on
of
ge
ner
a
t
ed
al
gor
i
t
hm
s
f
or
T
S
S
E
i
s
nec
es
s
ar
y
t
o s
ui
t
t
he D
i
s
t
r
i
b
ut
i
on
S
y
s
t
em
S
t
at
e E
s
t
i
m
at
i
on (
D
S
S
E
)
[
6
]
.
I
n
d
i
s
t
r
i
b
ut
i
on
net
w
or
k
,
r
eal
-
t
i
m
e
m
eas
ur
e
m
ent
s
ar
e
l
i
m
i
t
ed
and
ps
eu
do
m
eas
ur
em
ent
s
ar
e us
ed t
o ens
ur
e
net
w
o
r
k
obs
er
v
ab
i
l
i
t
y
i
s
ac
h
i
e
v
e
d.
O
r
i
gi
na
l
s
t
ud
i
es
on D
S
S
E
es
t
i
m
at
or
s
c
ar
r
i
ed o
ut
i
n 1
990s
i
n a
da
pt
at
i
on
w
i
t
h l
o
w
m
eas
ur
em
ent
c
o
v
er
ag
e h
av
e b
een
us
i
ng
t
he
br
anc
h
-
c
ur
r
ent
or
no
de
v
o
l
t
a
ge
v
ar
i
abl
es
ei
t
her
i
n p
ol
ar
or
r
ec
t
angu
l
ar
f
or
m
s
as
s
t
at
e v
ar
i
abl
es
[
6]
.
As
t
h
e
s
ys
t
e
m
v
ar
i
es
,
t
h
e
gener
at
i
on
as
w
e
l
l
n
eeds
t
o
be
t
u
ned
w
hi
c
h
w
i
l
l
t
h
en
c
hange
t
he f
l
o
w
an
d i
nj
ec
t
i
on ac
r
os
s
t
he s
y
s
t
em
.
T
hi
s
w
i
l
l
c
r
ea
t
a c
om
pl
et
e d
y
n
am
i
c
s
y
s
t
e
m
.
I
n or
der
t
o
hav
e
an
u
ni
nt
er
r
upt
ed
m
oni
t
or
i
ng
of
P
S
,
t
he
es
t
i
m
at
i
on
nee
ds
t
o
be
ex
ec
ut
ed
at
s
hor
t
i
nt
er
v
a
l
s
.
H
o
w
e
v
er
t
he
ex
pans
i
on
of
PS
c
aus
ed
t
he
s
y
s
t
em
t
o b
ec
om
e
ex
c
eedi
ng
l
y
l
ar
ge
f
or
t
he s
t
a
t
i
c
S
E
t
o
b
e
c
ar
r
i
e
d
out
at
s
hor
t
i
n
t
er
v
a
l
s
d
ue
t
o
bur
de
ns
om
e
of
c
om
put
i
ng
r
es
o
ur
c
e
c
on
s
u
m
pt
i
on.
T
he
abo
v
e hi
g
hl
i
gh
t
ed i
s
s
ue
l
e
ads
t
o
t
he
d
e
v
el
opm
ent
of
al
g
or
i
t
hm
s
et
k
now
n
as
"
D
y
n
am
i
c
S
t
at
e
E
s
t
i
m
at
i
on
"
(
D
S
E
)
t
ec
h
ni
qu
es
[
4
].
D
SE
ho
l
ds
s
e
v
er
a
l
a
dv
ant
ages
i
n
t
er
m
s
of
bei
ng
p
r
e
ci
se
and
pos
s
es
s
es
t
he
c
a
p
a
b
il
it
y
t
o
f
or
ec
as
t
wh
i
c
h
ena
bl
es
s
ec
ur
i
t
y
ana
l
y
s
i
s
to
be p
er
f
or
m
ed one s
t
ep a
hea
d and
c
ont
r
ol
ac
t
i
ons
c
an be
per
f
or
m
ed b
y
ena
bl
i
ng t
h
e i
de
nt
i
f
i
c
at
i
on a
n
d r
ej
ec
t
i
on of
m
eas
ur
e
m
ent
er
r
or
s
,
t
hus
Evaluation Warning : The document was created with Spire.PDF for Python.
I
J
E
EC
S
IS
S
N
:
2
502
-
4
752
P
ow
er
S
y
s
t
em
S
t
a
t
e
E
s
t
i
m
at
i
o
n B
ad D
at
a
D
et
ec
t
i
o
n
…
(
N
ur
ul
F
a
u
z
an
a I
mr
a
n G
u
l
c
har
an
)
123
i
m
pr
ov
i
ng
t
he
es
t
i
m
at
or
p
ot
ent
i
al
.
D
S
E
pr
ov
i
d
es
hi
gh
q
ual
i
t
y
v
al
ues
t
h
at
av
oi
ds
i
l
l
c
ondi
t
i
o
ni
n
g i
n
c
ondi
t
i
o
ns
w
her
e
ps
eu
do
m
eas
ur
e
m
ent
s
ar
e t
o be
i
m
pl
e
m
ent
ed
.
D
S
E
c
a
n b
e
us
ed f
or
dat
a
v
a
l
i
d
at
i
on as
t
h
e s
t
at
es
ar
e pr
edi
c
t
ed on
e t
i
m
e s
t
a
m
p ahe
ad.
Las
t
l
y
,
w
i
t
h
as
s
i
s
t
anc
e f
r
o
m
t
he
pr
edi
c
t
e
d s
t
at
e v
ec
t
or
,
a
n
y
s
udden c
h
ang
es
,
t
o
pol
og
i
c
al
a
nd ot
her
a
nom
al
i
es
i
n t
he s
y
s
t
em
c
an
be i
den
t
i
f
i
ed
[
4]
.
O
t
her
t
ha
n
s
t
an
dar
d
m
eas
ur
em
ent
unc
er
t
ai
nt
y
,
s
u
pp
l
e
m
ent
ar
y
m
eas
ur
em
ent
er
r
or
s
c
an
oc
c
ur
,
i
.
e
d
ue
t
o
i
nc
or
r
ec
t
par
am
et
er
i
z
a
t
i
o
n
of
t
he
m
eas
ur
em
ent
de
v
i
c
e.
S
i
nc
e
t
hes
e
i
nc
or
r
ec
t
m
eas
ur
e
m
ent
v
al
u
es
c
o
n
f
lic
t
in
g
l
y
i
m
pac
t
t
he
S
E
r
e
s
ul
t
s
,
a s
y
s
t
em
f
or
bad dat
a d
et
ec
t
i
on
,
id
e
n
t
if
ic
a
t
io
n
(
BD
D
I
)
,
an
d h
and
l
i
n
g,
i
.
e.
c
or
r
ec
t
i
n
g t
h
e
det
ec
t
e
d er
r
or
,
i
s
r
eq
ui
r
e
d
w
hi
c
h
pr
es
ent
s
t
he
i
s
s
ues
or
l
i
m
i
t
at
i
ons
av
ai
l
ab
l
e
i
n t
he
B
D
D
I
ar
ea
an
d t
he
a
v
ai
l
a
bl
e
al
t
er
na
t
i
v
e f
or
m
ul
at
i
on t
ha
t
has
be
en
i
m
pl
em
ent
ed b
y
r
es
ear
c
her
s
[
7]
.
2
.
B
a
d
D
a
ta
D
e
te
c
ti
o
n
,
I
d
e
n
ti
fi
c
a
ti
o
n
(B
D
D
I
) a
n
d
R
e
l
a
te
d
L
i
m
i
ta
ti
o
n
s
N
egat
i
v
e m
eas
ur
em
ent
er
r
or
s
hav
e
i
m
pac
t
s
on t
he
S
E
out
c
om
es
,
m
a
k
i
ng a m
us
t
f
or
B
D
D
I
a
nd ha
ndl
i
n
g s
y
s
t
e
m
w
hi
c
h i
s
an
er
r
or
c
or
r
ec
t
i
on m
et
hod de
v
e
l
op
ed a
nd t
es
t
ed
w
i
t
h
r
es
pec
t
t
o
t
h
e
i
m
pac
t
on
t
he es
t
i
m
at
i
on
of
t
he
s
y
s
t
e
m
s
t
at
e f
or
t
he
d
i
s
t
r
i
b
ut
i
on
gr
i
d
(
D
G
)
.
T
he
D
SS
E
pr
ov
i
des
i
ns
uf
f
i
c
i
ent
r
eal
-
t
i
m
e
m
eas
ur
e
m
ent
da
t
a
m
a
k
i
ng
t
he
S
E
s
t
at
e
c
h
anges
f
r
om
an
ov
er
d
et
er
m
i
ned t
o a
n un
de
r
det
er
m
i
ned s
y
s
t
em
[
7]
.
B
D
D
i
n
v
o
l
v
es
i
n
d
et
er
m
i
ni
n
g
w
h
et
her
t
he
m
eas
ur
e
m
ent
s
et
c
ar
r
i
es
an
y
er
r
or
w
h
i
c
h
ar
e
us
ual
l
y
c
at
egor
i
z
ed as
s
i
n
gl
e b
ad da
t
a (
w
her
e o
nl
y
one m
eas
ur
e
m
ent
i
n t
he
w
h
ol
e s
et
of
m
eas
ur
e
m
ent
s
hav
e
m
an
y
er
r
or
s
)
,
or
m
ul
t
i
p
l
e
bad
da
t
a (
m
ul
t
i
pl
e l
ar
ge
er
r
or
s
)
w
hi
c
h
i
s
f
ur
t
her
c
l
as
s
i
f
i
ed as
m
ul
t
i
p
l
e
ei
t
he
r
i
nt
er
ac
t
i
ng
or
n
on
-
i
nt
er
ac
t
i
ng
ba
d d
at
a.
F
ur
t
her
m
or
e,
a s
y
s
t
em
’
s
s
t
at
e c
an
be es
t
i
m
at
ed i
n
di
r
ec
t
l
y
i
n t
h
e ex
i
s
t
anc
e of
er
r
or
us
i
ng m
at
hem
at
i
c
al
and
i
nt
e
l
l
i
g
ent
c
o
m
put
at
i
ona
l
a
ppr
oac
h
e
s
w
h
i
c
h
pr
oc
es
s
i
nc
l
ud
e
s
det
ec
t
i
ng,
i
de
nt
i
f
y
i
ng
and
r
em
ov
i
ng
e
rro
r [
8
–
9]
.
C
on
v
ent
i
o
nal
appr
o
ac
hes
i
n s
ol
v
i
ng t
he B
D
D
i
s
us
ua
l
l
y
b
y
m
at
hem
at
i
c
al
ap
pr
o
ac
he
s
w
hi
c
h
i
nc
l
u
des
c
hi
-
s
q
uar
e
di
s
t
r
i
b
ut
i
on t
es
t
,
t
he
l
ar
g
e
s
t
nor
m
al
i
z
ed r
es
i
du
al
(
L
N
R
)
as
w
el
l
as
h
y
p
ot
h
es
i
s
t
es
t
i
n
g
i
d
ent
i
f
i
c
at
i
on
(
H
T
I
)
.
Mean
w
hi
l
e,
ex
am
pl
e
m
et
hods
f
or
i
nt
e
l
l
i
g
ent
c
o
m
put
at
i
ona
l
i
nc
l
udes
he
ur
i
s
t
i
c
m
et
hods
t
hat
r
equ
i
r
es
ei
t
her
i
nt
ens
i
v
e
t
r
ai
ni
ng
und
er
d
i
f
f
er
ent
c
ondi
t
i
o
ns
or
c
om
put
at
i
on
a
l
l
y
dem
andi
ng
m
et
hods
[
8]
.
E
x
am
pl
e
of
bad
da
t
a
i
nc
l
udes
ne
gat
i
v
e
v
o
l
t
ag
e m
agni
t
u
des
,
m
eas
ur
em
ent
s
w
i
t
h s
om
e or
der
s
of
m
agni
t
ude l
ar
ger
or
s
m
al
l
er
t
ha
n
pr
es
um
ed
v
al
u
es
,
or
,
l
ar
ge
di
f
f
er
enc
es
bet
w
ee
n
i
nc
o
m
i
ng
an
d
l
e
av
i
n
g
c
ur
r
ent
s
at
a
c
onn
ec
t
i
on
node
w
i
t
hi
n a
s
ubs
t
at
i
on
[
8
]
.
D
i
s
t
r
i
but
i
on
net
w
or
k
c
ov
er
s
a c
ons
i
d
er
abl
y
l
ar
g
e
ar
ea
an
d
n
odes
t
her
ef
or
e;
s
ol
ut
i
on
f
r
om
D
S
S
E
al
gor
i
t
hm
f
or
t
he
i
s
s
ue
s
i
s
nee
ded
t
o
m
eet
t
he
r
e
qui
r
em
ent
s
f
or
near
r
ea
l
-
t
i
m
e app
l
i
c
a
t
i
o
ns
[
8]
.
M
ai
n i
s
s
ues
a
nd
l
i
m
i
t
at
i
ons
ar
e c
at
egor
i
z
ed as
be
l
o
w
.
2
.
1
C
o
m
p
u
ta
ti
o
n
T
i
m
e
a
n
d
C
o
m
p
l
e
x
i
t
y
D
ef
i
c
i
enc
y
of
t
i
m
e
m
eas
ur
em
ent
i
s
a
c
r
uc
i
al
i
s
s
ue
i
n
D
S
S
E
d
ev
el
opm
ent
t
hat
has
bee
n
hi
g
hl
i
ght
ed
i
n
s
ev
er
al
f
i
el
d t
es
t
s
d
ue
t
o
t
he
i
ns
uf
f
i
c
i
ent
m
eas
ur
em
ent
l
e
ads
t
o
d
if
f
ic
u
lt
y
i
n
pr
ov
i
d
i
ng
t
he
obs
er
v
ab
i
l
i
t
y
of
t
he ne
t
w
or
k
and q
ual
i
t
y
r
es
ul
t
s
[
1
0]
.
D
i
s
t
r
i
bu
t
i
on s
y
s
t
em
s
t
at
es
hav
e bec
om
e
m
or
e d
y
nam
i
c
due t
o i
nt
egr
a
t
i
on of
i
nt
er
m
i
t
t
ent
di
s
t
r
i
b
ut
e
d gen
er
at
i
on (
D
G
)
.
T
her
ef
or
e,
B
D
D
i
s
s
ues
bec
om
e
m
or
e c
o
m
pl
i
c
at
ed
.
D
i
s
t
r
i
bu
t
io
n
s
y
s
t
em
m
a
y
c
ont
ai
n s
i
ng
l
e
or
m
ul
t
i
pl
e er
r
or
s
.
T
he c
o
nv
e
nt
i
ona
l
ap
pr
oac
h f
or
S
E
i
s
bas
ed o
n
w
ei
g
ht
e
d
l
eas
t
s
q
uar
es
(
W
LS
)
.
T
hi
s
m
et
hod
i
s
a
bl
e t
o de
t
ec
t
and
i
dent
i
f
y
s
i
ng
l
e an
d m
ul
t
i
pl
e
bad d
at
a
(
no
t
i
nt
er
ac
t
i
ng o
nl
y
)
b
y
us
i
ng n
or
m
al
i
z
e
d r
es
i
du
al
s
of
t
he
m
eas
ur
e
m
ent
s
.
H
o
w
ev
er
,
t
he m
et
hod s
t
i
l
l
f
ai
l
s
w
i
t
h c
o
nf
or
m
i
ng bad
dat
a.
2.
2 M
easu
r
em
en
t
R
ed
u
n
d
an
c
y
Meas
ur
em
ent
r
edun
danc
y
i
s
def
i
ned as
a m
eas
ur
e of
ex
t
r
a
m
eas
ur
em
ent
s
ov
er
neede
d
m
i
ni
m
u
m
nu
m
ber
f
or
s
y
s
t
e
m
s
t
at
e
es
t
i
m
at
i
on.
W
i
t
h
adequ
at
e
r
edu
nda
nc
y
,
S
E
w
i
l
l
be
t
o
det
ec
t
,
i
de
nt
i
f
y
and
r
em
ov
e
bad
da
t
a.
H
o
w
e
v
er
,
t
h
e
l
ev
el
of
r
edund
anc
y
r
equ
i
r
ed
m
a
y
n
ot
al
w
a
y
s
h
av
e
at
t
a
i
ne
d du
e t
o t
he
ex
i
s
t
i
n
g m
eas
ur
e
m
ent
c
onf
i
gur
at
i
ons
.
Lo
w
l
oc
a
l
r
ed
und
anc
y
w
i
l
l
r
es
ul
t
i
n
s
ev
er
a
l
c
r
i
t
i
c
al
m
eas
ur
em
ent
s
av
ai
l
ab
l
e
i
n
t
h
e
s
y
s
t
e
m
,
but
da
t
a
r
e
l
at
e
d
w
i
t
h
c
r
i
t
i
c
al
m
eas
ur
e
m
ent
s
c
annot
be
d
et
ec
t
ed
,
i
dent
i
f
i
ed
or
r
em
ov
ed [
1
1]
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SSN
:
25
02
-
4
752
I
J
E
EC
S
V
o
l.
8
,
N
o.
1,
O
c
t
o
ber
20
17
:
12
2
–
128
124
2
.
3
R
o
b
u
s
tn
e
s
s
D
e
te
c
ti
o
n
o
f
M
u
l
ti
p
l
e
I
n
te
r
a
c
ti
n
g
a
n
d
C
o
n
s
i
s
te
n
t B
a
d
D
a
ta
I
n
s
om
e
c
as
es
,
i
nt
er
ac
t
i
n
g
m
ul
t
i
pl
e
ba
d
d
at
a
i
s
d
i
f
f
i
c
ul
t
t
o
det
ec
t
.
LN
R
b
as
ed
s
t
a
t
i
s
t
ic
a
l
c
r
i
t
er
i
on
m
a
y
h
av
e i
s
s
ues
i
n ac
c
ur
at
el
y
i
den
t
i
f
y
i
ng
as
w
el
l
as
e
l
i
m
i
nat
i
ng
t
hi
s
c
a
t
egor
y
of
bad
dat
a
es
pec
i
a
l
l
y
c
o
nf
or
m
i
ng
t
y
p
e.
I
s
s
ues
on c
o
nv
ent
i
o
nal
LN
R
f
or
m
ul
t
i
pl
e
i
n
t
er
a
c
t
i
ng
b
ad
dat
a
(
c
onf
or
m
i
ng)
i
s
w
h
er
e
t
h
e
s
uc
c
es
s
i
v
e
el
i
m
i
nat
i
on
of
t
he
m
eas
ur
e
m
ent
m
a
y
ef
f
ec
t
i
n
e
l
i
m
i
nat
i
ng
t
r
ue m
eas
ur
e
m
ent
s
i
ns
t
ea
d
of
bad d
at
a.
I
dent
i
f
i
c
at
i
on
of
t
he
s
a
i
d
c
a
t
egor
y
per
c
ha
nc
e
c
ar
r
i
e
d
o
ut
b
y
m
ul
t
i
pl
e
a
ppl
i
c
at
i
on
o
f
LN
R
t
es
t
w
hi
c
h
i
s
s
at
i
s
f
ac
t
or
y
e
v
en
f
or
m
ul
t
i
p
l
e
i
nt
er
ac
t
i
n
g
bad
dat
a
,
but
m
a
y
c
aus
e
m
i
s
i
dent
i
f
i
c
at
i
on
as
w
el
l
as
m
i
s
el
i
m
i
nat
i
on
of
good
m
eas
ur
e
m
ent
s
,
w
hen
er
r
or
s
ar
e m
ut
ual
l
y
c
o
nf
or
m
i
ng
(
c
ons
i
s
t
ent
)
[
1
2]
.
W
LS
-
bas
ed s
t
at
e
es
t
i
m
at
or
s
ar
e on
l
y
de
v
e
l
op
ed
b
y
us
i
ng
a c
om
bi
nat
i
on
of
l
i
n
ear
i
z
e
d
m
eas
ur
e
m
ent
f
unc
t
i
on
w
i
t
h
c
om
pl
ex
c
o
m
put
at
i
o
ns
.
H
o
w
ev
er
,
t
he
c
om
bi
nat
i
on
i
s
a
l
s
o no
t
r
obus
t
i
n t
he ex
i
s
t
anc
e of
s
i
ngl
e
and m
ul
t
i
pl
e bad d
at
a (
i
nt
er
ac
t
i
ng an
d non
-
i
nt
er
ac
t
i
ng)
es
p
ec
i
a
l
l
y
c
onf
or
m
i
ng [
14]
.
2.
4
E
xam
p
l
es o
f
F
o
r
m
u
l
at
i
o
n
w
i
t
h
S
et
b
acks
Man
y
m
et
hods
w
er
e
put
f
or
w
ar
d
t
o en
hanc
e
t
he
i
dent
i
f
i
c
at
i
on m
et
hod
but
s
o
m
e
es
t
i
m
at
or
m
a
y
no
t
b
e
a
bl
e
t
o
r
ej
ec
t
t
h
e
er
r
or
and
i
t
m
a
y
l
e
ad
t
o
t
he
pr
es
enc
e
of
l
e
v
er
ag
e
i
n
t
he
P
S
m
odel
and g
en
er
at
es
c
o
m
put
at
i
o
na
l
bur
de
ns
b
y
t
ak
i
ng t
h
e uni
que pr
o
per
t
i
es
of
t
he
es
t
i
m
at
i
on e
qua
t
i
o
ns
i
n
t
o c
ons
i
d
er
at
i
on.
I
n 199
2,
R
ec
ur
s
i
v
e Me
as
u
r
em
ent
E
r
r
or
E
s
t
i
m
at
i
on I
d
ent
i
f
i
c
at
i
on (
R
M
E
E
I
)
and
R
ME
E
I
f
or
B
D
I
i
s
pr
o
pos
ed
w
h
er
e s
t
at
e
v
ar
i
ab
l
es
,
r
es
i
d
ual
s
and
p
ar
am
et
er
s
c
an be
u
pdat
ed
s
ubs
eque
nt
t
o
e
l
i
m
i
nat
i
ng
a
m
eas
ur
e
m
ent
f
r
o
m
t
he
s
us
pi
c
i
o
us
dat
a
s
et
t
o
t
he
e
x
i
s
t
i
ng
d
at
a
s
e
t
b
y
i
m
pl
em
ent
i
ng a
s
et
of
l
i
nea
r
r
ec
ur
s
i
v
e e
quat
i
o
n
s
.
A
s
et
of
r
es
i
du
al
eq
ua
t
i
ons
us
ed
b
y
c
onv
e
nt
i
ona
l
ap
pr
oac
h c
a
n onl
y
b
e app
l
i
ed t
o t
h
e l
i
near
s
y
s
t
em
s
b
y
d
i
v
i
di
n
g t
he r
a
w
m
eas
ur
e
m
ent
s
.
T
hi
s
how
e
v
er
m
a
y
r
es
ul
t
i
n bur
de
n of
oper
at
i
o
n c
al
c
ul
at
i
on a
nd c
om
pl
ex
i
t
y
bec
aus
e
eac
h of
t
h
e par
t
i
s
c
om
pos
ed of
s
o
m
e
m
eas
ur
em
ent
s
[
13]
.
T
he pr
opos
ed
W
ei
ght
ed L
eas
t
A
bs
o
l
ut
e V
al
ue E
s
t
i
m
at
or
(
W
LA
V
)
m
et
hod i
s
abl
e t
o
hand
l
e
m
ul
t
i
pl
e gr
os
s
er
r
or
s
ef
f
i
c
i
ent
l
y
,
bu
t
i
t
i
s
l
i
k
el
y
t
o f
ai
l
i
n
t
h
e ex
i
s
t
anc
e of
a s
i
ng
l
e
gr
os
s
er
r
or
at
a Lev
er
ag
e P
o
i
nt
(
LP
)
.
Mea
n
w
h
i
l
e,
t
h
e Leas
t
Med
i
an of
S
q
uar
es
E
s
t
i
m
at
or
(
LMS
)
i
s
es
s
ent
i
a
l
l
y
un
af
f
ec
t
ed b
y
t
h
e o
ut
l
i
er
s
i
n
LP
an
d
i
s
a
bl
e
t
o at
t
en
d t
o t
he m
ul
t
i
pl
e
i
nt
er
ac
t
i
ng
gr
os
s
er
r
or
s
,
ev
en
w
he
n c
onf
or
m
i
ng.
H
o
w
e
v
er
,
i
t
i
s
i
n
ne
ed of
ex
t
r
em
e c
om
put
i
ng
t
i
m
e f
or
on
-
lin
e
app
l
i
c
at
i
on
s
.
C
ha
nge
ab
l
e
w
ei
g
ht
i
ng m
at
r
i
x
i
n
20
03
i
s
pr
opos
e
d t
o
r
ec
ogn
i
z
e t
he
er
r
or
s
ho
w
e
v
er
onl
y
a
pp
l
i
es
t
o s
t
at
i
c
S
E
[
1
4]
.
T
hus
,
i
t
c
an
be c
o
nc
l
u
ded
t
hat
t
he
B
D
D
I
s
t
i
l
l
ha
v
e r
o
o
m
f
or
i
m
pr
ov
em
ent
s
i
n t
h
e
ar
ea of
det
ec
t
i
ng
m
ul
t
i
pl
e
i
nt
er
ac
t
i
ng
b
ad
dat
a
(
c
onf
or
m
i
ng)
,
m
eas
ur
e
m
ent
r
edun
dan
c
y
,
es
t
i
m
at
i
o
n
r
obus
t
nes
s
and
ex
c
es
s
i
v
e
c
o
m
put
i
n
g
t
i
m
e
t
hat
l
e
ads
t
o
c
om
put
at
i
on
bur
d
en
an
d
c
om
pl
ex
i
t
y
of
t
he s
y
s
t
em
.
3
.
A
l
te
r
n
a
ti
v
e
F
o
r
m
u
l
a
ti
o
n
o
f B
D
D
I
K
e
y
obj
ec
t
i
v
es
of
der
i
v
ed
f
or
m
ul
at
i
ons
i
n B
D
D
I
i
s
m
ai
n
l
y
t
o i
m
pr
ov
e
t
he c
om
put
at
io
n
t
i
m
e,
hav
i
ng
l
es
s
m
at
hem
at
i
c
al
c
om
pl
ex
i
t
y
as
w
el
l
as
r
educ
i
ng s
y
s
t
em
r
edundanc
y
.
D
S
S
E
i
s
i
n s
hor
t
of
r
eal
-
t
i
m
e
m
eas
ur
em
ent
dat
a l
ead
i
n
g t
o c
hanges
i
n S
E
c
ha
nge
s
f
r
o
m
an o
v
er
d
et
er
m
i
ned t
o a
n u
nder
d
et
er
m
i
ned s
t
at
e.
M
.
C
r
am
er
et
al
.
a
ddr
es
s
es
i
s
s
u
e of
i
n
a
c
c
ur
at
e
m
eas
ur
e
m
ent
s
(
bad d
at
a)
f
or
di
s
t
r
i
but
i
o
n gr
i
d
s
t
at
e
es
t
i
m
at
i
on (
D
G
S
E
)
b
y
i
m
pl
em
ent
i
ng
A
r
t
i
f
i
c
i
al
N
eur
a
l
N
et
w
or
k
s
(
A
N
N
s
)
bas
ed
D
G
S
E
de
t
ec
t
i
on
m
et
hod
w
h
i
c
h
i
s
a
n
ex
t
en
ded
v
er
s
i
o
n
of
er
r
or
c
or
r
ec
t
i
on t
ak
en f
r
o
m
[
15]
and [
1
6]
.
T
he m
et
hod has
pr
ov
en t
o
b
e r
es
pon
s
i
v
e t
o
w
ar
ds
unc
or
r
ec
t
ed
m
eas
ur
e
m
ent
er
r
or
s
and
abl
e
t
o
det
e
c
t
and
ac
c
ur
at
el
y
r
ec
og
ni
z
e
s
i
n
gl
e
an
d
m
ul
t
i
pl
e
m
eas
ur
e
m
ent
er
r
or
v
al
u
es
.
T
he
pr
opor
t
i
on
of
v
ar
y
i
ng
D
G
S
E
p
er
f
or
m
anc
e
i
s
c
ons
i
der
a
bl
y
m
i
ni
m
i
z
ed
as
w
el
l
as
t
h
e
m
ean
s
quar
e
e
r
r
or
of
t
he
es
t
i
m
at
ed
s
y
s
t
e
m
s
t
at
e
i
s
a
l
s
o
l
es
s
ene
d t
o
a f
r
ac
t
i
on
b
y
i
m
pl
em
ent
i
n
g t
h
e er
r
or
c
or
r
ec
t
i
on
pr
oc
es
s
[
7]
.
G
K
.
V
ena
y
a
gam
oor
t
h
y
G
.
K
.
pr
o
pos
ed
a n
e
w
i
nt
e
l
l
i
g
e
nt
s
y
s
t
em
,
C
el
l
ul
ar
C
om
put
at
i
o
na
l
N
et
w
or
k
(
C
C
N
)
f
or
dec
ent
r
al
i
z
e
d
pr
ed
i
c
t
i
v
e
m
odel
l
i
ng
an
d
D
S
E
of
a
p
o
w
er
s
y
s
te
m
fr
o
m
s
y
nc
hr
op
has
or
d
at
a.
I
t
i
s
s
ho
w
n
t
ha
t
t
h
e
C
C
N
-
bas
e
d
D
S
E
i
s
f
l
ex
i
bl
e
t
o
w
ar
ds
l
os
s
of
t
he
s
i
ngl
e
and m
ul
t
i
p
l
e i
nt
er
ac
t
i
ng
a
nd no
n
-
i
nt
er
ac
t
i
n
g ba
d d
at
a f
r
o
m
one or
m
or
e P
MU
s
.
E
n
er
g
y
m
anagem
ent
s
y
s
t
em
(
E
MS
)
appl
i
c
a
t
i
o
ns
c
oul
d
b
e
ex
e
c
ut
ed
i
n
r
ea
l
-
ti
m
e
w
i
t
h
a
hi
gh
c
onf
i
denc
e
l
e
v
el
us
i
n
g t
h
e C
C
N
–
b
as
ed
D
S
E
[
8]
.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
J
E
EC
S
IS
S
N
:
2
502
-
4
752
P
ow
er
S
y
s
t
em
S
t
a
t
e
E
s
t
i
m
at
i
o
n B
ad D
at
a
D
et
ec
t
i
o
n
…
(
N
ur
ul
F
a
u
z
an
a I
mr
a
n G
u
l
c
har
an
)
125
A
.
P
r
i
m
adi
ant
o
et
a
l
.
i
m
pl
e
m
ent
s
t
he
c
om
bi
nat
i
on
of
c
hi
s
qu
ar
e
(
λ
2)
t
es
t
an
d
L
N
R
-
te
s
t
m
et
hods
f
or
B
D
D
I
as
w
e
l
l
as
t
o t
es
t
t
h
e per
f
or
m
anc
e
of
N
ode V
ol
t
age
P
o
l
ar
M
ag
ni
t
u
de (
N
V
P
M)
and
B
r
anc
h C
ur
r
ent
R
ec
t
a
ngu
l
ar
Ma
gn
i
t
ud
e (
B
C
R
M)
i
n c
om
bi
nat
i
on of
a pr
o
po
s
ed t
ec
hn
i
qu
e
but
on
l
y
t
o han
dl
e t
he
s
i
ngl
e an
d m
ul
t
i
pl
e
non
-
i
nt
er
ac
t
i
ng ba
d dat
a.
H
o
w
ev
er
,
m
ul
t
i
pl
e
i
nt
er
ac
t
i
n
g bad d
at
a i
s
r
e
qui
r
e
d t
o be s
ol
v
e
d
w
i
t
h a
m
or
e adv
a
nc
ed m
et
hod
,
and r
es
i
d
ual
s
ens
i
t
i
v
i
t
y
m
at
r
i
x
c
an b
e ut
i
l
i
z
ed t
o en
hanc
e
t
he
B
D
D
f
unc
t
i
on
of
D
S
S
E
[
10]
.
J
i
an C
hen
a
nd
A
l
i
A
b
ur
pr
opos
ed
a
P
M
U
p
l
ac
em
ent
al
gor
i
t
hm
t
o c
hang
e t
he c
ur
r
ent
c
r
i
t
i
c
al
m
eas
ur
e
m
ent
s
i
nt
o r
epet
i
t
i
v
e es
t
i
m
at
i
ons
i
n or
der
t
o enhanc
e t
h
e er
r
or
pr
oc
es
s
i
ng abi
l
i
t
y
of
s
t
at
e es
t
i
m
at
or
s
b
y
ex
p
l
oi
t
i
n
g t
he a
d
v
ant
age
of
P
MU
t
ec
h
no
l
og
y
b
y
a f
eas
i
bl
e
num
er
i
c
al
t
ec
hni
que
t
o
f
i
nd
an
i
de
al
p
r
oc
edur
e
of
P
M
U
p
os
i
t
i
on
i
n
g.
F
r
om
t
he
ex
ec
ut
e
d m
et
hod,
t
he
s
y
s
t
em
i
s
s
ai
d t
o s
t
i
l
l
be
obs
er
v
ab
l
e e
v
en af
t
er
el
i
m
i
nat
i
ng a
n
y
one
of
t
he pr
e
v
i
ous
l
y
c
r
i
t
ic
a
l
m
eas
ur
e
m
ent
s
as
w
el
l
as
d
et
ec
t
i
ng t
h
e b
ad d
at
a
i
n pr
ev
i
ous
l
y
c
r
i
t
i
c
al
m
eas
ur
em
ent
s
.
T
he P
M
U
pl
ac
em
ent
i
s
m
uc
h
m
or
e ef
f
i
c
i
ent
c
om
par
ed t
o c
on
v
ent
i
ona
l
m
eas
ur
em
ent
s
pl
ac
em
ent
.
E
ac
h
P
MU
i
s
abl
e t
o m
eas
ur
e t
he bus
v
ol
t
age
and c
ur
r
e
nt
phas
or
a
l
on
g m
os
t
or
t
he ent
i
r
e l
i
nes
i
nc
i
d
ent
t
o t
he b
us
[
11
]
.
LN
R
b
as
ed
s
t
at
i
s
t
i
c
al
c
r
i
t
e
r
i
on m
a
y
ha
v
e
i
s
s
ues
i
n
ac
c
ur
at
el
y
i
de
nt
i
f
y
i
n
g as
w
el
l
a
s
el
i
m
i
nat
i
ng
t
h
e m
ul
t
i
p
l
e
i
n
t
er
ac
t
i
ng
b
ad
dat
a pr
i
m
ar
i
l
y
c
onf
or
m
i
ng.
T
he
aut
h
or
p
r
opos
ed
t
hr
e
e
non
-
d
et
er
m
i
ni
s
t
i
c
s
ol
ut
i
on
w
hi
c
h
ar
e B
as
i
c
G
en
et
i
c
al
gor
i
t
hm
s
(
bG
A
s
)
,
Mi
c
r
o G
e
net
i
c
A
l
gor
i
t
hm
s
(
μ
G
A
)
and
E
v
o
l
ut
i
o
n
S
t
r
at
e
g
y
(
E
S
)
.
T
hes
e
pr
oc
edur
es
ar
e
bas
ed
o
n
G
ene
t
i
c
A
l
go
r
i
t
hm
s
(
G
A
)
t
o
r
educ
e c
om
put
at
i
on b
ur
de
n and
t
o
i
m
pr
ov
e num
er
i
c
al
ef
f
i
c
i
enc
y
.
A
l
l
abo
v
e s
t
a
t
ed G
A
bas
ed
t
ec
hni
ques
pr
o
v
ed
t
o
pr
o
v
i
de
s
a
t
i
s
f
ac
t
or
y
beh
av
i
or
i
n
B
D
I
.
bG
A
s
i
s
s
ho
w
n
t
o
be
upm
os
t
depe
nda
bl
e i
n i
den
t
i
f
y
i
ng t
h
e er
r
or
ev
en
w
i
t
h h
i
g
h c
om
put
at
i
o
nal
d
em
and.
A
l
l
pr
oc
edur
es
ex
hi
bi
t
s
at
i
s
f
ac
t
or
y
f
eat
ur
es
y
i
el
di
ng t
o a f
eas
i
b
l
e,
o
bs
er
v
ab
l
e an
d bad
dat
a f
r
ee s
ol
u
t
i
on or
o
p
t
im
a
l
w
i
t
h
i
n t
he f
i
r
s
t
f
ew
i
t
er
at
i
on
s
[
12]
.
A
pr
opos
e
d t
ec
hn
i
qu
e w
hi
c
h w
or
k
ed w
e
l
l
o
n B
D
I
i
s
k
now
n as
t
he E
x
t
e
nde
d C
om
pl
ex
K
al
m
an F
i
l
t
er
A
r
t
i
f
ic
ia
l N
e
u
r
a
l N
e
t
w
o
r
k
(
E
C
K
F
-
A
NN)
w
i
t
h T
he
E
C
K
F
–
A
N
N
m
e
t
hod
per
f
or
m
s
w
i
t
h
f
as
t
c
om
put
at
i
o
na
l
s
pe
ed
i
n
t
w
o
s
t
ages
.
F
i
r
s
t
l
y
,
i
t
i
s
c
om
par
ed
w
i
t
h
R
ea
l
B
ac
k
-
P
r
opag
at
i
on
AN
N
(
R
BP
-
A
N
N
)
an
d s
ec
ond
l
y
w
i
t
h t
he
C
om
pl
ex
B
ac
k
-
P
r
opagat
i
on
A
N
N
(
C
B
P
-
A
N
N
)
.
T
he
s
t
age
i
s
p
er
f
or
m
ed t
o
det
ec
t
an
d as
s
es
s
t
h
e
per
f
or
m
anc
e i
n
t
er
m
s
of
c
onv
er
ge
nc
e
ad
di
t
i
on
a
nd
noi
s
e r
ej
ec
t
i
on f
or
ef
f
i
c
i
enc
y
on
B
D
D
.
T
he m
et
hod i
s
abl
e t
o l
ook
out
f
or
t
he ap
pr
opr
i
a
t
e an
d
app
l
i
c
ab
l
e t
r
a
i
n
i
ng
v
ar
i
ab
l
e
s
and ab
l
e t
o c
on
v
er
ge
w
i
t
h
l
es
s
c
o
m
put
at
i
ona
l
t
i
m
e as
w
e
l
l
as
bet
t
er
c
apac
i
t
y
of
no
i
s
e r
ej
ec
t
i
on t
han t
he c
o
nv
ent
i
on
al
al
gor
i
t
hm
s
[
13]
.
B
r
e
ta
s
, N
.G
. B
r
e
ta
s
,
A
.
S
.
us
es
W
LS
bas
ed G
eom
et
r
i
c
al
A
ppr
o
ac
h
w
h
er
e t
h
e
det
ec
t
a
bi
l
i
t
y
of
gr
os
s
er
r
or
s
i
n
P
S
S
E
i
s
pr
ov
i
de
d a
nd
ac
hi
ev
ed
b
y
d
ec
om
pos
i
ng t
h
e
m
eas
ur
e
m
ent
er
r
or
i
nt
o
un
det
ec
t
a
bl
e a
nd d
et
ec
t
abl
e
par
t
s
.
A
m
et
hod of
r
ec
ov
er
i
ng t
h
e m
as
k
ed
er
r
or
s
r
es
ul
t
i
n
g
f
r
o
m
t
he
m
eas
ur
em
en
t
r
es
i
dua
l
es
t
i
m
at
i
n
g
pr
oc
es
s
w
as
pr
o
pos
e
d
bas
ed
on
t
he
U
I
i
nd
ex
.
T
he t
ot
al
m
eas
u
r
em
ent
r
es
i
dual
i
s
t
hen c
o
m
pos
ed.
P
r
opos
ed m
eas
ur
em
ent
gr
os
s
er
r
or
det
ec
t
i
on
an
d i
dent
i
f
i
c
at
i
on
t
es
t
us
i
ng
t
he m
eas
ur
em
ent
c
o
m
pos
ed gr
os
s
er
r
or
,
w
or
k
s
ef
f
i
c
i
ent
l
y
.
H
o
w
e
v
er
,
t
h
e r
es
ul
t
s
i
nd
i
c
at
e
d t
hat
t
he
pr
ev
i
ous
l
y
i
m
pl
em
ent
ed
gr
os
s
er
r
or
i
s
i
nc
or
r
ec
t
w
h
er
e t
h
e ex
i
s
t
i
n
g m
as
k
i
ng ef
f
ec
t
i
n P
S
S
E
i
s
not
t
ak
en i
nt
o ac
c
oun
t
,
t
her
ef
or
e t
h
e
w
or
k
pr
ogr
es
s
es
on m
ul
t
i
pl
e gr
os
s
er
r
or
s
det
ec
t
i
on
or
i
dent
i
f
i
c
at
i
o
n [
1
4]
.
S
h
yh
-
J
i
er
H
ua
ng
and
J
eu
-
Mi
n
L
i
n
app
l
i
ed
t
he
ga
p
s
t
at
i
s
t
i
c
a
l
gor
i
t
hm
(
G
S
A
)
w
i
t
h
c
o
m
bi
nat
i
on of
neur
a
l
ne
t
w
or
k
s
(
N
N
)
appr
oac
h f
or
i
n
v
es
t
i
gat
i
on of
er
r
or
det
e
c
t
i
on i
n po
w
er
s
y
s
t
em
.
F
r
o
m
t
he pr
opos
ed t
ec
hn
i
q
ue,
a
bnor
m
al
d
at
a c
an b
e s
ear
c
hed of
i
nt
el
l
i
gen
t
l
y
an
d
aut
om
at
i
c
al
l
y
w
i
t
ho
ut
t
he
s
pec
i
f
i
c
t
hr
es
hol
ds
.
T
he
pr
opos
e
d
t
ec
hn
i
q
ue
w
as
v
a
l
i
d
at
e
d
w
i
t
h
aut
om
at
i
on,
s
i
m
pl
i
c
i
t
y
and
s
uc
c
es
s
f
or
dat
a deb
ugg
i
n
g f
r
o
m
c
o
m
put
at
i
o
na
l
r
es
ul
t
s
w
h
i
c
h c
an be
f
ur
t
her
dev
e
l
o
ped
b
y
enh
anc
i
n
g t
he
qua
l
i
t
y
of
dat
a
ac
qui
s
i
t
i
o
n pr
oc
es
s
,
or
t
o be us
e as
a
re
f
er
enc
e f
or
po
w
er
s
y
s
t
em
c
ont
r
ol
and
op
er
at
i
ons
[
17]
.
Lar
ges
t
s
t
u
dent
i
z
ed r
es
i
du
al
(
L
S
R
)
w
as
pr
o
pos
e
d f
or
det
ec
t
i
on
and
i
d
ent
i
f
y
i
n
g t
h
e gr
os
s
er
r
or
ut
i
l
i
z
es
t
he s
t
at
i
s
t
i
c
a
l
pr
oper
t
i
es
of
c
al
c
ul
at
e
d r
es
i
du
al
s
an
d m
odi
f
i
ed w
h
er
e i
t
us
es
t
he
m
ean s
quar
e er
r
o
r
(
MS
E
)
obs
er
v
at
i
ons
i
n i
t
s
c
al
c
ul
at
i
o
n.
F
or
t
he t
r
eat
m
ent
of
m
ul
t
i
pl
e no
n
-
i
nt
er
ac
t
i
n
g b
ad
m
eas
ur
e
m
ent
s
,
a
s
eq
uen
t
i
a
l
app
l
i
c
a
t
i
on
of
t
h
e L
S
R
t
es
t
i
s
p
r
opos
ed,
ba
d
m
eas
ur
e
m
ent
i
s
c
o
m
pens
at
ed f
or
er
r
or
but
n
ot
de
l
et
e
d and
t
he
bad
v
a
l
u
e i
s
t
r
e
at
ed
one
at
a
ti
m
e.
P
r
opos
e
d s
c
hem
e ha
s
gr
eat
es
t
po
w
er
f
or
t
r
eat
i
n
g t
h
e b
ad m
eas
ur
em
ent
s
as
c
o
m
par
ed t
o
j
oi
nt
i
m
pl
em
ent
at
i
on of
c
onv
e
nt
i
ona
l
t
es
t
s
.
T
o s
av
e
s
y
s
t
em
f
r
o
m
obs
er
v
abi
l
i
t
y
pr
ob
l
em
and
i
nf
or
m
at
i
on l
os
s
,
t
he
gi
v
e
n
t
ec
hni
que
w
as
ap
pl
i
ed
i
n
s
equen
t
i
a
l
w
a
y
b
y
r
e
pl
ac
i
n
g t
he
gr
os
s
l
y
m
eas
ur
e
m
ent
s
one at
a t
i
m
e b
y
t
hei
r
es
t
i
m
at
es
r
at
h
er
t
ha
n t
h
ei
r
del
et
i
on f
r
om
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SSN
:
25
02
-
4
752
I
J
E
EC
S
V
o
l.
8
,
N
o.
1,
O
c
t
o
ber
20
17
:
12
2
–
128
126
m
eas
ur
e
m
ent
s
[
18]
.
H
o
w
e
v
er
,
t
hi
s
m
et
hod
i
s
on
l
y
pr
ov
e
n
ef
f
i
c
i
ent
f
or
on
l
y
s
i
n
gl
e
an
d m
ul
t
i
pl
e
non
-
i
nt
er
ac
t
i
ng
ba
d da
t
a a
n
d
w
as
n
ot
i
m
pl
em
ent
ed f
or
t
he m
ul
t
i
p
l
e
i
n
t
er
ac
t
i
n
g b
ad
dat
a.
A
p
r
e
-
es
t
i
m
at
i
on
f
or
B
D
D
b
as
ed
o
n
t
h
e
P
r
i
nc
i
pal
C
om
pone
nt
A
na
l
y
s
i
s
(
P
C
A
)
,
r
ed
uc
i
ng
t
he
t
i
m
e
and
c
os
t
i
n
c
o
m
par
i
s
on
w
i
t
h
A
N
N
a
ppr
oac
hes
,
t
hat
c
oul
d
b
e
v
e
r
y
t
e
di
o
us
an
d
ex
pens
i
v
e
i
s
pr
es
ent
e
d.
T
he P
C
A
m
et
hod f
i
nd r
el
at
i
ons
bet
w
een
v
ar
i
ab
l
es
t
ha
t
des
c
r
i
be t
h
e
m
ai
n
dat
a
beha
v
i
or
,
an
d
bui
l
ds
a
s
t
at
i
s
t
i
c
a
l
m
odel
t
hat
r
epr
es
e
nt
s
t
he
s
y
s
t
em
t
hat
us
es
s
t
at
i
s
t
i
c
a
l
i
ndex
es
t
o
det
ec
t
and
i
de
nt
i
f
y
b
ad
d
at
a
or
a
nom
al
ous
dat
a.
I
t
i
s
c
onc
l
u
ded
t
h
at
P
C
A
al
g
or
i
t
hm
det
ec
t
s
a
nd
i
de
nt
i
f
i
es
t
he f
undam
ent
a
l
s
t
r
uc
t
ur
e of
gr
os
s
and
hi
s
t
or
i
c
er
r
or
s
bef
or
e S
E
,
al
l
o
w
i
ng a f
as
t
er
a
nd m
or
e r
el
i
a
bl
e c
on
v
er
g
enc
e.
T
he
P
C
A
al
gor
i
t
hm
w
or
k
s
s
at
i
s
f
ac
t
or
i
l
y
w
i
t
h
bot
h
t
y
p
es
of
bad
dat
a,
s
i
n
gl
e
a
nd
m
ul
t
i
p
l
e,
a
nd
r
es
ul
t
s
s
how
ho
w
s
i
ng
l
e
a
nd
m
ul
t
i
p
l
e
ba
d
dat
a
ar
e
det
ec
t
ed ev
en w
h
en
t
he
de
v
i
at
i
on
of
t
he
b
ad
d
at
a
i
s
l
o
w
er
t
ha
n
±
4σ
.
G
i
v
en
an
add
ed
adv
ant
age,
t
he t
ec
h
ni
q
ue
does
not
r
eq
ui
r
e
i
nf
or
m
at
i
on abo
ut
t
h
e t
opo
l
o
g
y
a
nd
par
am
et
er
s
o
f
t
he s
y
s
t
em
,
w
her
e i
t
c
an
w
or
k
i
n r
eal
t
i
m
e,
but
t
he r
es
ul
t
s
s
ho
w
ho
w
t
h
e det
ec
t
i
on s
ens
i
t
i
v
i
t
y
dep
e
nds
o
bv
i
o
us
l
y
on
t
he
e
x
i
s
t
i
ng
dat
a us
ed
t
o
bui
l
d
t
h
e m
odel
[
19
]
.
A
.
A
l
am
i
n et
a
l
.
c
on
duc
t
e
d a c
om
par
i
s
on bet
w
ee
n
t
he
W
LS
and I
t
er
at
i
v
e
E
x
t
ende
d
K
al
m
an
F
i
l
t
er
(
I
E
K
F
)
t
o
i
nv
es
t
i
ga
t
e
t
h
e
ad
v
a
nt
a
ge
s
bet
w
ee
n
of
s
t
at
i
c
an
d
d
y
n
am
i
c
s
t
at
e
es
t
i
m
at
or
s
.
T
he
oper
at
i
o
na
l
r
obus
t
n
es
s
of
I
E
K
F
w
as
ex
t
end
ed b
y
c
om
pl
et
i
ng
i
t
w
i
t
h
Lar
g
es
t
N
or
m
al
i
z
ed
R
es
i
du
al
T
es
t
(
LN
R
T
)
.
B
as
ed
on
t
he
s
i
m
ul
at
i
o
n r
es
u
l
t
s
,
I
E
K
F
s
ho
w
ed
s
l
i
gh
t
l
y
h
i
g
her
er
r
or
s
t
han
W
LS
ev
ent
h
ou
gh bot
h m
et
hods
ac
hi
ev
ed
r
eas
onab
l
e es
t
i
m
at
i
on ac
c
ur
ac
y
.
W
hen
t
he s
y
s
t
e
m
w
as
onl
y
c
onc
er
ned
w
i
t
h m
i
ni
m
u
m
i
nt
er
r
upt
i
on du
e t
o r
epet
i
t
i
v
e
K
a
l
m
an
f
unc
t
i
on,
I
E
K
F
c
o
ul
d
b
e
m
or
e
ac
c
ur
at
e
t
han
W
LS
.
T
he
I
E
K
F
al
gor
i
t
hm
t
o
en
ha
nc
e
i
t
s
bad
dat
a
det
ec
t
i
o
n
c
apab
i
l
i
t
y
of
t
he I
E
K
F
al
g
or
i
t
hm
i
s
enha
nc
ed
w
hen
LR
N
T
w
as
a
ppl
i
e
d.
I
E
K
F
w
as
una
bl
e
t
o
ac
c
ur
at
el
y
i
dent
i
f
y
t
he
l
oc
at
i
o
n of
bad da
t
a e
v
en
t
ho
ugh t
h
e det
ec
t
i
o
n s
c
hem
e
w
as
a
bl
e t
o
det
er
m
i
ne f
aul
t
y
m
eas
ur
em
ent
s
[
2
0]
.
D
i
f
f
er
ent
f
r
o
m
[
6]
,
t
h
i
s
a
u
t
hor
em
pl
o
y
s
P
r
oj
ec
t
e
d U
ns
c
ent
ed
K
al
m
an F
i
l
t
er
(
P
U
K
F
)
t
ec
hni
que
bas
ed
on u
ns
c
ent
e
d t
r
ans
f
or
m
at
i
on (
U
T
)
t
o ac
hi
ev
e t
he
goa
l
of
c
ons
i
d
er
i
n
g
z
er
o
i
nj
ec
t
i
o
n r
es
t
r
i
c
t
i
on t
o de
al
w
i
t
h
non
l
i
near
i
t
i
es
i
n D
S
E
.
I
t
i
s
s
t
at
ed t
hat
t
he
P
U
K
F
m
anage t
o
obt
a
i
n
b
et
t
er
appr
ox
i
m
at
i
on
t
o t
h
e
n
onl
i
n
ear
i
t
y
of
P
S
b
y
u
ns
c
ent
e
d
t
r
ans
f
or
m
at
i
on
an
d a
bl
e
t
o
t
ak
e
z
er
o i
nj
ec
t
i
o
n c
ons
t
r
ai
nt
s
i
nt
o
ac
c
ou
nt
b
y
i
nc
l
udi
ng
es
t
i
m
at
e
pr
oj
ec
t
i
on
.
T
h
e
P
U
K
F
b
as
e
d
D
S
E
i
s
ab
l
e
t
o
det
ec
t
di
f
f
er
ent
k
i
nds
of
bad
da
t
a,
s
ud
den
l
oa
d
c
han
ges
an
d
t
op
ol
o
g
y
er
r
or
s
b
y
i
m
pl
em
ent
i
ng t
h
e
w
e
i
gh
t
e
d i
n
no
v
at
i
on
t
es
t
.
H
o
w
e
v
er
,
s
upp
l
em
ent
ar
y
i
n
v
es
t
i
gat
i
on f
or
t
he
pr
op
os
e
d t
ec
h
ni
q
ue
i
s
r
equ
i
r
ed f
or
ba
d da
t
a
i
de
nt
i
f
i
c
at
i
on [
2
1]
.
A
ge
om
et
r
i
c
al
an
al
y
s
i
s
(
G
A
)
bas
ed
W
LS
dem
ons
t
r
at
ed t
hat
t
he m
eas
ur
em
ent
r
es
i
due
i
s
t
he c
om
pos
ed m
eas
ur
e
m
ent
er
r
or
(
C
M
E
)
w
her
e
i
t
i
s
a
por
t
i
on
of
t
he
m
eas
ur
em
ent
er
r
or
.
T
he
G
A
m
et
hod
i
s
c
ons
i
der
ed
w
her
e
i
t
i
s
pr
o
pos
ed
t
o
de
t
ec
t
,
i
den
t
i
f
y
and
c
or
r
ec
t
gr
os
s
bas
ed
on
s
t
at
i
s
t
i
c
a
l
an
al
y
s
i
s
of
C
ME
.
T
he
G
A
m
et
hod
w
as
dem
ons
t
r
at
ed
be
i
ng
m
or
e
r
el
i
a
bl
e
t
ha
n
R
es
i
du
al
A
n
al
y
s
i
s
(
R
A
)
m
ai
n
l
y
i
n
i
d
ent
i
f
i
c
at
i
o
n of
m
ul
t
i
pl
e i
nt
er
ac
t
i
ng
gr
os
s
er
r
or
s
es
pec
i
al
l
y
c
onf
or
m
i
ng t
hat
ex
i
s
t
ed i
n l
ev
er
a
ge p
oi
nt
s
.
B
y
i
m
pl
em
ent
i
ng t
h
e G
A
a
nd R
A
m
et
hods
w
i
t
h gi
v
e
n
l
oa
d m
odel
s
,
t
he s
t
u
d
y
a
i
m
s
t
o i
nv
es
t
i
ga
t
e t
h
e ba
d
dat
a a
na
l
y
s
i
s
per
f
or
m
anc
e c
o
m
par
i
s
on i
n
s
y
s
t
em
s
w
i
t
h
A
MI
and
ps
eudo
-
m
eas
ur
em
ent
s
.
C
ons
i
d
er
i
n
g m
eas
ur
em
ent
s
and
ps
e
udo
-
m
eas
ur
e
m
ent
s
i
s
obt
a
i
ne
d
at
a
G
l
ob
al
R
ed
und
anc
y
L
ev
e
l
(
G
R
L)
of
I
.
72.
T
hi
s
i
s
l
o
w
er
t
ha
n
t
h
e
r
edun
danc
y
l
ev
el
s
o
bt
a
i
ne
d f
r
o
m
T
S
w
hi
c
h
i
nt
ef
er
s
w
i
t
h
t
he
bad
da
t
a a
na
l
y
s
i
s
.
I
n pr
o
pos
e
d
as
s
es
s
m
ent
,
G
A
appr
oac
h
per
f
or
m
ed bet
t
er
t
ha
n R
A
i
n B
D
D
I
pr
oc
es
s
of
gr
os
s
er
r
or
s
w
her
e t
he
gr
os
s
er
r
or
l
ev
el
i
nf
l
ue
nc
es
B
D
D
w
h
er
eas
t
h
e l
oad m
odel
s
i
nf
l
uenc
es
t
he gr
os
s
er
r
or
c
or
r
ec
t
i
on.
G
A
C
o
nc
l
u
ded
t
o
p
er
f
or
m
e
d
w
e
l
l
a
nd
pr
o
v
i
d
es
a
po
t
e
nt
i
a
l
i
m
pr
ov
em
ent
t
o
B
D
a
n
al
y
s
i
s
of
s
m
ar
t
di
s
t
r
i
b
ut
i
on s
y
s
t
em
s
,
ev
en
w
i
t
h
l
o
w
G
R
L [
22]
.
T
he
C
hi
-
S
qu
ar
es
t
es
t
i
s
a c
o
m
m
on pos
t
-
es
t
i
m
at
i
on bad dat
a d
et
ec
t
i
on t
es
t
w
hi
c
h
c
o
m
m
onl
y
c
ar
r
i
e
d
out
b
y
a
l
m
os
t
al
l
W
LS
es
t
i
m
at
or
s
.
H
o
w
e
v
er
,
C
hi
-
S
qu
ar
es
t
es
t
f
ai
l
s
t
o
de
t
ec
t
av
a
i
l
ab
l
e ba
d dat
a i
n t
he
m
eas
ur
e
m
ent
s
et
i
n s
o
m
e c
as
es
.
T
her
ef
or
e,
t
he aut
hor
pr
opos
e
d
a
bas
i
c
m
odi
f
i
c
at
i
on t
h
at
w
i
l
l
en
ha
nc
e t
he
B
D
D
c
ap
abi
l
i
t
y
w
h
er
e t
he m
odi
f
i
c
at
i
o
n r
equ
i
r
es
c
al
c
ul
a
t
i
o
n
of
r
es
i
dua
l
c
ov
ar
i
anc
e
m
at
r
i
x
.
C
om
par
i
s
on b
et
w
e
en
pr
op
os
ed
m
et
hod a
nd
c
onv
e
nt
i
ona
l
C
h
i
S
quar
es
m
et
hod i
s
c
onduc
t
ed
i
n t
er
m
s
o
f
c
o
m
put
at
i
on
al
p
er
f
or
m
anc
e
and bad
m
eas
ur
e
m
ent
.
T
he r
es
ul
t
s
s
ho
w
e
d t
he
pr
op
os
ed m
et
r
i
c
o
bt
a
i
ne
d a
s
up
er
i
or
per
f
or
m
anc
e i
n
c
o
m
par
i
s
on t
o t
he c
o
nv
e
nt
i
o
na
l
t
es
t
i
n d
et
ec
t
i
ng
pr
es
enc
e
of
ba
d d
at
a.
H
o
w
e
v
er
,
f
or
i
de
nt
i
f
i
c
at
i
on
a
nd
e
l
i
m
i
nat
i
o
n
of
m
eas
ur
e
m
ent
s
er
r
or
s
w
i
l
l
s
t
i
l
l
nee
d
t
o
be
c
on
duc
t
ed
b
y
m
eans
s
uc
h as
nor
m
al
i
z
ed r
es
i
dua
l
s
t
es
t
[
2
3]
.
B
ad d
at
a d
et
ec
t
i
on f
or
s
m
ar
t
gr
i
ds
i
s
m
ai
nl
y
g
i
v
en
onl
y
at
t
he c
en
t
r
al
l
ev
el
due t
o
l
i
m
i
t
at
i
o
ns
i
n
l
eg
ac
y
t
ec
hn
ol
o
gi
es
em
pl
o
y
e
d
i
n m
any
s
ubs
t
at
i
ons
.
T
he a
ut
h
or
s
pr
opos
e
d
a
Evaluation Warning : The document was created with Spire.PDF for Python.
I
J
E
EC
S
IS
S
N
:
2
502
-
4
752
P
ow
er
S
y
s
t
em
S
t
a
t
e
E
s
t
i
m
at
i
o
n B
ad D
at
a
D
et
ec
t
i
o
n
…
(
N
ur
ul
F
a
u
z
an
a I
mr
a
n G
u
l
c
har
an
)
127
s
ubs
t
at
i
on
l
ev
el
B
D
D
al
g
or
i
t
hm
t
hat
up
hol
ds
t
he
adv
ant
ages
f
eat
ur
e
d b
y
t
he I
E
C
61
850
s
t
andar
d.
T
he
pr
opos
e
d
al
gor
i
t
hm
i
s
bas
ed
on
aut
om
at
i
c
a
l
l
y
det
ec
t
i
n
g
t
he s
ubs
t
at
i
o
n
t
opo
l
o
g
y
b
y
det
er
m
i
ni
ng
t
he
s
t
an
dar
d
s
ubs
t
at
i
o
n
d
es
c
r
i
pt
i
on
f
i
l
e
s
and
on
l
i
ne
s
t
at
e
of
c
i
r
c
ui
t
br
eak
er
s
and
d
i
sco
nn
ec
t
or
s
.
T
he B
D
D
em
pl
o
y
s
t
he l
i
ne
ar
W
LS
bas
ed
LN
R
s
t
at
e
es
t
i
m
at
i
on al
gor
i
t
hm
(
i
dent
i
f
i
c
at
i
on
b
y
el
i
m
i
nat
i
o
n m
et
hod)
w
her
e
bad
dat
a f
r
o
m
f
ai
l
i
ng C
ur
r
ent
T
r
ans
f
or
m
er
s
(
C
T
)
c
an be
det
ec
t
ed.
F
or
t
he
c
as
e of
bad d
at
a
i
d
ent
i
f
i
c
at
i
on
,
t
h
e ba
d d
at
a
w
er
e r
e
pl
ac
e
d
b
y
t
he
es
t
i
m
at
ed s
t
at
es
,
ho
w
e
v
er
,
r
equi
r
es
ex
c
es
s
i
v
e c
om
put
at
i
ona
l
t
i
m
e s
i
nc
e t
he di
m
ens
i
o
n of
t
he
m
at
r
i
c
es
us
ed
f
or
c
al
c
ul
at
i
on
w
i
l
l
be
c
ha
nge
d.
B
ef
or
e
us
i
ng
t
he
es
t
i
m
at
ed
s
t
at
e,
t
he
r
ed
und
ant
pr
ot
ec
t
i
v
e
C
ur
r
ent
T
r
ans
f
or
m
er
s
(
C
T
s
)
dat
a
w
er
e
us
e
d
t
o
r
ep
l
ac
e
t
he
bad
dat
a
i
n
t
he
bad
dat
a
hand
l
i
ng p
ar
t
,
t
her
e
b
y
t
he c
apab
i
l
i
t
y
of
t
he ba
d dat
a de
t
ec
t
i
o
n c
an be m
ai
nt
a
i
ne
d.
T
he pr
opos
ed
B
D
D
al
gor
i
t
hm
i
s
v
er
i
f
i
ed
b
y
us
i
n
g d
i
f
f
er
ent
ba
d
dat
a
s
c
enar
i
os
w
her
e t
h
e r
es
u
l
t
s
pr
es
ent
t
h
e
out
p
ut
of
t
he
pr
op
os
ed
a
l
gor
i
t
hm
pr
ov
i
d
es
t
he
s
m
al
l
es
t
er
r
or
c
om
par
ed
w
i
t
h
us
i
ng
ei
t
her
m
eas
ur
e
m
ent
C
T
or
pr
ot
ec
t
i
v
e C
T
out
p
ut
i
n bo
t
h s
t
at
i
c
an
d d
y
nam
i
c
s
i
t
uat
i
o
ns
.
U
pon t
h
e
i
nc
ap
abi
l
i
t
y
t
o
i
de
nt
i
f
y
t
h
e b
ad dat
a s
our
c
es
i
n s
om
e
c
as
es
,
t
he al
gor
i
t
hm
s
t
i
l
l
m
a
nage
d t
o not
i
f
y
t
he pr
es
e
nc
e of
b
a
d d
at
a t
o
us
er
s
[
24]
.
A
ut
h
or
s
Z
ak
er
i
an A
.
et
a
l
.
adapt
s
t
h
e C
h
i
-
s
quar
e m
et
hod as
w
e
l
l
as
t
he
P
r
oba
bi
l
i
s
t
i
c
N
eur
a
l
N
e
t
w
or
k
(
P
N
N
)
a
nd
D
ec
i
s
i
o
n
T
r
ee (
D
T
)
w
hi
c
h
ar
e
us
e
d
t
o
d
et
ec
t
B
D
D
i
n
s
t
at
e
es
t
i
m
at
i
on.
T
he c
om
bi
nat
i
o
n of
pr
opos
ed m
et
hod
w
a
s
s
i
m
ul
at
ed
on
I
E
E
E
3
0 bu
s
net
w
or
k
and
app
l
i
e
d t
o m
ul
t
i
p
l
e s
c
en
ar
i
o
s
.
I
t
i
s
s
ho
w
n t
hat
t
he
de
v
e
l
oped
P
N
N
a
nd D
T
ar
e
abl
e
t
o d
et
ec
t
bad
dat
a
i
n
S
E
.
D
i
f
f
er
ent
c
om
bi
nat
i
ons
of
r
es
i
dua
l
m
eas
ur
em
ent
s
w
er
e
ut
i
l
i
z
ed
as
i
np
ut
f
eat
ur
es
f
or
P
N
N
a
nd
D
T
t
r
ai
ni
n
g.
T
he
bes
t
ba
d
da
t
a
d
e
t
ec
t
i
on
ac
c
ur
ac
y
w
as
f
ound
us
i
n
g
t
h
e
P
N
N
m
et
hod
b
y
f
our
t
y
p
es
of
i
np
ut
f
eat
ur
es
.
T
he ac
c
ur
ac
y
of
t
hes
e
m
et
hods
i
s
c
om
par
ed
w
i
t
h t
he C
hi
-
s
qu
ar
e
m
et
hod.
R
es
ut
s
i
n
di
c
at
ed
t
hat
t
he t
r
a
di
t
i
on
al
C
hi
-
S
quar
e m
et
hod m
a
y
f
ai
l
t
o
gi
v
e ac
c
ur
at
e
det
ec
t
i
on
w
h
er
eas
t
he
P
N
N
an
d D
T
m
et
hod
w
er
e a
bl
e
t
o b
e u
t
i
l
i
z
e
d f
or
ba
d
dat
a
d
et
ec
t
i
on.
T
he
obt
a
i
ne
d
r
es
u
l
t
s
v
er
i
f
i
ed
t
h
at
b
y
i
m
pl
em
ent
i
n
g
t
h
e
d
at
a
m
i
ni
ng
t
ec
hn
i
qu
es
,
t
h
e
a
c
c
ur
ac
y
of
bad
dat
a
det
ec
t
i
o
n c
ou
l
d b
e pr
o
m
ot
ed [
25]
.
4
.
C
o
n
c
l
u
s
i
o
n
R
eal
-
t
i
m
e
m
oni
t
or
i
ng
and
c
ont
r
ol
of
po
w
er
s
y
s
t
em
s
i
s
hi
gh
l
y
c
r
uc
i
al
f
or
ef
f
i
c
i
ent
and
r
el
i
a
bl
e
oper
at
i
o
n
of
a
p
o
w
er
s
y
s
t
em
.
S
E
f
or
m
s
t
he
m
ai
n
f
unc
t
i
o
n
f
or
r
ea
l
-
t
i
m
e
m
oni
t
or
i
n
g
a
nd
c
ont
r
ol
f
unc
t
i
o
ns
.
T
he
oper
at
or
has
t
o
b
e
ac
c
ept
i
ona
l
l
y
al
er
t
i
n
o
bt
a
i
n
i
ng
d
ec
i
s
i
o
ns
on
r
eal
t
i
m
e
s
i
nc
e
P
S
c
han
ges
c
o
nt
i
nuo
s
l
y
.
A
D
S
E
t
ec
hn
i
qu
e
pr
ov
i
des
t
h
e
pr
edi
c
t
ed s
t
at
e
v
ec
t
or
at
t
h
e n
ex
t
t
i
m
e
i
ns
t
ant
t
o
t
he
oper
at
o
r
,
i
n
w
hi
c
h
t
h
e
op
er
at
or
w
i
l
l
be
ab
l
e
t
o
t
ak
e
s
ui
t
a
bl
e
c
ont
r
ol
ac
t
i
ons
.
V
ar
i
ous
D
S
E
t
ec
hn
i
qu
es
pr
opos
ed
i
n
t
he
l
i
t
er
at
ur
e
w
e
r
e
pr
i
m
ar
i
l
y
di
v
i
ded
i
nt
o
t
w
o
t
y
p
es
w
h
i
c
h
ar
e
m
at
hem
at
i
c
al
a
nd
i
nt
el
l
i
g
ent
c
om
put
at
i
o
na
l
a
ppr
o
ac
h.
T
he
p
aper
di
s
c
us
s
ed
m
et
hods
s
uc
h
as
C
hi
-
s
quar
e
and L
N
R
t
e
s
t
,
Modi
f
i
e
d C
h
i
-
S
q
uar
e t
e
s
t
,
A
N
N
bas
e
d D
G
S
E
,
C
C
N
bas
ed D
S
E
,
P
MU
bas
e
d al
gor
i
t
hm
,
B
as
i
c
G
enet
i
c
A
l
gor
i
t
hm
,
m
an
y
f
or
m
s
of
K
al
m
an
F
i
l
t
er
t
ec
h
ni
q
u
e
(
I
t
er
at
i
v
e
E
x
t
e
nde
d b
as
ed
LN
R
,
E
x
t
e
nde
d C
om
pl
ex
bas
ed
A
N
N
P
r
oj
ec
t
ed
un
s
c
ent
ed
bas
ed
U
T
)
,
W
LS
bas
ed G
eo
m
et
r
i
c
al
A
ppr
o
ac
h,
Lar
g
es
t
S
t
u
dent
i
z
ed R
es
i
dua
l
,
P
r
i
nc
i
p
l
e C
om
ponent
A
na
l
y
s
i
s
and m
an
y
m
or
e.
T
he a
dv
ant
ages
,
d
i
s
ad
v
a
nt
ag
es
and s
pec
i
al
t
i
es
of
t
he di
s
c
us
s
ed
m
et
hods
hav
e
bee
n br
i
ef
l
y
des
c
r
i
b
ed
i
n t
h
i
s
pa
per
t
o ac
hi
ev
e t
h
e obj
ec
t
i
v
e
i
n o
bt
a
i
ni
ng a
s
ol
ut
i
on
m
et
hod f
or
i
s
s
ues
av
a
i
l
ab
l
e
i
n
B
D
D
I
.
T
hus
,
c
o
nc
l
ud
i
ng
t
h
at
t
he
B
D
D
I
s
t
i
l
l
hav
e r
o
om
f
or
i
m
pr
ov
em
ent
s
i
n
t
he
ar
ea
of
det
ec
t
i
ng
m
ul
t
i
pl
e
i
nt
er
ac
t
i
ng
bad
d
at
a
(
c
onf
or
m
i
ng)
,
m
eas
ur
e
m
ent
r
edun
danc
y
,
es
t
i
m
at
i
on r
o
bus
t
nes
s
an
d ex
c
es
s
i
v
e c
om
put
i
ng t
i
m
e t
hat
l
ea
ds
t
o c
om
put
at
i
o
n
bur
de
n an
d c
om
pl
ex
i
t
y
of
t
he s
y
s
t
em
.
R
ef
er
en
ces
[1
]
S
c
hw
eppe
F
C
,
W
i
l
d
es
J
,
R
o
m
D
B
.
P
ow
er
S
y
s
t
em
S
t
at
i
c
S
t
at
e
E
s
t
i
m
at
i
on
.
P
ow
er
S
y
s
t
.
E
ng.
G
r
oup
,
M
.
I
.
T
.
R
epor
t
nu
m
ber
:
10
.
196
8.
[2
]
S
c
hw
eppe
F
C
an
d
W
i
l
des
J
.
P
ow
er
S
y
s
t
em
S
t
at
i
c
-
S
ta
t
e
E
s
ti
m
a
ti
o
n
,
p
a
r
t
I:
E
x
a
c
t
m
o
d
e
l
.
I
EEE
T
r
ans
ac
t
i
on
s
on
P
ow
er
A
p
par
at
us
and S
y
s
t
em
s
.
1
970;
P
A
S
(
89)
:
1
20
-
12
5.
[3
]
S
c
hw
eppe
F
C
,
R
om
D
B
.
P
o
w
er
S
y
s
t
em
S
t
at
i
c
-
S
t
at
e
E
s
t
i
m
at
i
on,
pa
r
t
I
I
:
A
pp
r
ox
i
m
at
e
m
ode
l
.
I
EEE
T
r
ans
ac
t
i
on
s
on
P
ow
er
A
p
par
at
us
and S
y
s
t
em
s
.
1
970;
P
A
S
(
89)
:
1
25
-
13
30.
[4
]
S
hi
v
ak
u
m
ar
N
R
,
J
ai
n A
.
A
R
ev
i
ew
of
P
ow
er
S
y
s
t
em
D
y
n
am
i
c
S
t
at
e E
s
t
i
m
at
i
on
T
ec
hni
ques
.
J
o
i
n
t
In
t
er
na
t
i
o
nal
C
o
nf
er
e
nc
e
on
P
ow
er
S
y
s
t
em
T
ec
hnol
ogy
a
nd I
E
E
E
P
ow
er
I
ndi
a C
o
nf
er
enc
e
,
N
ew
D
el
hi
,
200
8:
1
-
6.
Evaluation Warning : The document was created with Spire.PDF for Python.
I
SSN
:
25
02
-
4
752
I
J
E
EC
S
V
o
l.
8
,
N
o.
1,
O
c
t
o
ber
20
17
:
12
2
–
128
128
[5
]
M
ehr
dad T
ar
af
dar
H
agh,
S
ey
y
ed M
ehdi
M
ahaei
,
K
az
em
Z
ar
e.
I
m
pr
ov
i
ng B
a
d D
at
a D
et
ec
t
i
on i
n S
t
a
t
e
E
s
t
i
m
at
i
on of
P
ow
er
S
y
s
t
em
s
.
I
nt
er
n
at
i
o
nal
J
our
nal
of
E
l
e
c
t
r
i
c
al
and C
om
put
er
E
n
gi
n
eer
i
n
g (
I
J
E
C
E
)
.
2011;
1(
2)
:
85
-
92
.
[6
]
P
r
i
m
ad
i
ant
o
A
,
Lu
C
N
.
A
R
e
v
i
ew
on
D
i
s
t
r
i
but
i
on
S
y
s
t
em
S
t
at
e
E
s
t
i
m
at
i
on.
I
E
E
E
T
r
ans
ac
t
i
ons
o
n
Po
w
e
r Sy
s
t
e
m
s
.
2016
;
P
P
(
99)
:
1
-
1
[7
]
C
r
am
er
M
,
G
oer
gen
s
P
,
Sc
h
n
e
t
t
l
e
r
A.
B
ad
D
at
a
D
et
ec
t
i
on
and
H
and
l
i
ng
i
n
D
i
s
t
r
i
bu
t
i
o
n G
r
i
d
S
t
at
e
E
s
t
i
m
at
i
on U
s
i
ng A
r
t
i
f
i
c
i
al
N
eu
r
al
N
et
w
or
k
s
.
I
E
E
E
E
i
n
dhov
en
P
ow
er
T
ec
h.
E
i
ndh
ov
en
.
20
1
5:
1
-
6
[8
]
V
enay
aga
m
oor
t
hy
G
K
.
C
o
m
put
at
i
ona
l
A
p
pr
oa
c
he
s
f
or
B
ad
D
at
a
H
an
dl
i
ng
i
n
P
ow
er
S
y
s
t
e
m
S
y
nc
hr
oph
as
o
r
N
et
w
or
k
s
.
I
F
A
C
P
r
oc
ee
di
n
gs
V
o
l
um
es
.
2
01
4;
4
7 (
3)
:
11
269
-
1
127
4.
[9
]
S
ey
ed M
ahdi
M
ahaei
,
M
oham
m
a
d R
ez
a N
av
ay
i
.
P
ow
er
S
y
s
t
em
S
t
at
e E
s
t
i
m
at
i
on w
i
t
h
W
e
i
ght
e
d
Li
near
Le
as
t
S
quar
e
.
I
nt
er
nat
i
onal
J
our
nal
of
E
l
ec
t
r
i
c
al
a
nd
C
om
put
er
E
n
gi
ne
er
i
n
g
.
2
014
;
4(
2)
:
169
-
178.
[1
0
]
P
r
i
m
ad
i
ant
o A
,
Li
n
W
T
,
Lu C
N
.
P
er
f
or
m
anc
e C
om
p
ar
i
s
o
n of
D
i
s
t
r
i
bu
t
i
o
n S
y
s
t
em
S
t
at
e E
s
t
i
m
at
i
o
n
M
et
hods
.
I
EEE I
n
n
ov
at
i
v
e S
m
ar
t
G
r
i
d T
ec
hno
l
og
i
es
-
A
s
i
a
(I
SG
T
-
A
s
i
a)
.
M
el
bour
ne,
V
I
C
,
2
016:
112
1
-
1126
[1
1
]
J
i
an
C
he
n,
A
b
ur
A
.
I
m
pr
ov
ed
bad
dat
a pr
oc
es
s
i
ng
v
i
a
s
t
r
at
egi
c
pl
a
c
em
ent
of
P
M
U
s
.
I
EEE Po
w
e
r
E
ngi
ne
er
i
n
g S
o
c
i
et
y
G
en
er
al
M
eet
i
ng
.
200
5;
1:
509
-
513.
[1
2
]
G
as
t
on
i
S
,
G
P
G
r
anel
l
i
G
P
,
M
ont
ag
na M
.
M
ul
t
i
pl
e B
ad D
at
a
P
r
oc
es
s
i
ng B
y
G
enet
i
c
A
l
gor
i
t
hm
s
.
I
EEE
B
ol
ogn
a P
ow
er
T
ec
h C
onf
er
e
nc
e P
r
oc
e
edi
n
gs
.
200
3;
1.
6.
[1
3
]
H
uang
C
H
,
Le
e
C
H
,
S
hi
h
K
R
,
W
a
n
g
Y
J
.
E
x
t
ende
d
C
om
pl
e
x
K
al
m
an
F
i
l
t
er
A
r
t
i
f
i
c
i
al
N
eur
al
N
et
w
or
k
f
o
r
Ba
d
-
D
at
a
D
e
t
ec
t
i
on
i
n
P
ow
er
S
y
s
t
em
S
t
at
e
E
s
t
i
m
at
i
o
n
.
I
nt
er
n
at
i
o
nal
C
onf
er
en
c
e
o
n
I
nt
e
l
l
i
gent
S
y
s
t
em
s
A
ppl
i
c
at
i
o
ns
t
o P
ow
er
S
y
s
t
em
s
.
T
ok
i
M
es
s
e
,
N
i
i
gat
a
.
200
7:
1
-
7.
[1
4
]
Bre
t
a
s
N
G
,
Bre
t
a
s
AS.
B
ad
D
at
a
A
na
l
y
s
i
s
U
s
i
ng
t
he
C
o
m
pos
ed
M
eas
ur
em
ent
s
E
r
r
or
s
f
or
P
ow
er
S
y
s
te
m
S
ta
te
E
s
ti
m
a
ti
o
n
.
I
R
E
P
S
y
m
pos
i
u
m
B
ul
k
P
ow
er
S
y
s
t
em
D
y
na
m
i
c
s
and
C
on
t
r
ol
–
V
III.
R
i
o
de
J
ane
i
r
o
.
2010
:
1
-
7.
[1
5
]
S
al
ehf
ar
H
,
Z
hao
R
.
A
N
eur
al
N
et
w
or
k
P
r
ees
t
i
m
at
i
o
n
F
i
l
t
er
F
or
B
ad
-
D
at
a
D
et
e
c
t
i
on
a
nd
I
dent
i
f
i
c
at
i
o
n
In
P
ow
er
S
y
s
t
em
S
t
at
e E
s
t
i
m
a
t
i
on.
E
l
ec
t
r
i
c
P
ow
er
S
y
s
t
em
s
R
es
ear
c
h
.
1995
;
34
.
127
–
13
4.
[1
6
]
S
h
yh
-
J
i
er
H
ua
ng
an
d
J
eu
-
M
i
n
Li
n.
A
r
t
i
f
i
c
i
al
N
e
ur
al
N
et
w
or
k
E
nhan
c
ed
by
G
ap
S
t
at
i
s
t
i
c
A
l
gor
i
t
h
m
A
ppl
i
e
d f
or
B
a
d D
at
a
D
et
e
c
t
i
on
of
a P
ow
er
S
y
s
t
e
m
.
I
E
EE/
PES T
ra
n
s
m
i
s
s
i
o
n
a
n
d
D
i
s
t
r
i
bu
t
io
n
C
onf
er
en
c
e and
E
x
hi
bi
t
i
on
.
20
02;
2.
764
-
768.
[1
7
]
S
ouz
a
J
C
S
,
da
S
i
l
v
a
A
M
L,
da
S
i
l
v
a
A
P
A
.
O
nl
i
ne
T
opol
ogy
D
et
er
m
i
nat
i
on
a
n
d
B
ad
D
at
a
S
uppr
e
s
s
i
on
I
n P
ow
er
S
y
s
t
em
O
per
at
i
on
U
s
i
ng
A
r
t
i
f
i
c
i
al
N
eur
al
N
et
w
or
k
s
.
I
EEE T
ra
n
s
.
Po
w
e
r S
y
s
t
e
m
s
.
199
8;
1
3.
796
–
8
03.
[1
8
]
K
han
Z
,
R
az
al
i
R
,
D
aud
H
,
N
or
N
M
,
F
i
r
uz
abad
M
F
.
T
he
La
r
ges
t
S
t
ude
nt
i
z
ed
R
es
i
dua
l
(
L
S
R
)
T
es
t
f
or
B
ad D
at
a
I
de
nt
i
f
i
c
a
t
i
on
i
n
S
t
a
t
e E
s
t
i
m
a
t
i
o
n of
A
P
ow
er
S
y
s
t
em
.
A
R
P
N
J
o
ur
na
l
of
E
ngi
n
eer
i
ng
an
d
A
ppl
i
e
d S
c
i
en
c
e
s
.
20
15;
10(
2
1
)
.
1018
4
-
10
191.
[1
9
]
G
er
ar
d
V
an
c
el
l
s
,
J
o
a
qui
m
M
el
éndez
,
S
er
gi
o
H
er
r
ai
z
,
J
uan
P
r
i
et
o,
G
ui
l
l
er
m
o
B
r
av
o.
B
ad
D
at
a
D
et
ec
t
i
on a
nd I
de
nt
i
f
i
c
a
t
i
o
n i
n D
i
s
t
r
i
but
i
on P
ow
e
r
S
y
s
t
e
m
s
B
y
M
eans
O
f
P
r
i
nc
i
p
al
C
om
ponent
A
nal
y
s
i
s
.
2
1s
t
I
nt
er
nat
i
ona
l
C
o
nf
er
en
c
e
on E
l
ec
t
r
i
c
i
t
y
D
i
s
t
r
i
bu
t
i
on.
F
r
an
k
f
ur
t
.
201
1:
1
-
4.
[2
0
]
Al
a
m
i
n A
,
K
hal
i
d H
M
,
P
eng J
C
H
.
P
ow
er
S
y
s
t
em
S
t
at
e E
s
t
i
m
at
i
on B
as
ed O
n I
t
er
at
i
v
e
E
x
t
end
ed
K
al
m
an
F
i
l
t
er
i
ng
A
nd
B
a
d
D
at
a
D
et
e
c
t
i
o
n
U
s
i
ng
N
or
m
al
i
z
ed
R
es
i
d
ual
T
es
t
.
I
E
E
E
P
ow
er
a
nd
E
ner
gy
C
onf
er
en
c
e.
C
ham
pai
gn,
I
L
.
2
015:
1
-
5
[2
1
]
Y
ang Y
,
H
u
W
,
M
i
n Y
.
P
r
oj
ec
t
ed
U
ns
c
ent
ed K
a
l
m
an F
i
l
t
er
F
or
D
y
nam
i
c
S
t
at
e
E
s
t
i
m
at
i
o
n A
nd B
a
d
D
at
a D
et
ec
t
i
on
I
n P
ow
er
S
y
s
t
em
.
1
2t
h
I
E
T
I
nt
er
n
at
i
o
nal
C
onf
er
en
c
e
on
D
ev
el
op
m
en
t
s
i
n
P
ow
er
S
y
s
t
em
P
r
o
t
ec
t
i
on
(
D
P
S
P
201
4)
.
C
ope
nhag
en
.
2014
:
1
-
6.
[2
2
]
B
r
auns
t
ei
n S
H
,
B
r
et
as
N
G
,
R
os
s
oni
A
,
B
r
e
ta
s
A
.
B
ad d
at
a
A
nal
y
s
i
s
I
n D
i
s
t
r
i
but
i
on S
t
at
e
E
s
t
i
m
at
i
o
n
C
ons
i
der
i
n
g Lo
ad M
odel
s
.
I
E
E
E
P
ow
er
&
E
ner
gy
S
oc
i
et
y
G
ener
al
M
eet
i
n
g.
D
env
er
,
C
O
.
201
5
:
1
-
5.
[2
3
]
G
ö
l
M
,
Ab
u
r
A.
A
M
odi
f
i
ed C
hi
-
S
quar
es
T
es
t
f
or
I
m
pr
o
v
ed
B
ad
D
at
a
D
et
e
c
t
i
on
.
I
EEE
Ei
n
d
h
o
v
e
n
P
ow
er
T
ec
h,
E
i
n
dhov
en
.
20
15:
1
-
5.
[2
4
]
Y
W
u,
Y
X
i
a
o
,
F
H
o
hn
,
L N
o
r
d
s
t
r
om
,
J
W
ang
,
W
Z
h
ao.
B
a
d D
at
a D
e
t
ec
t
i
on
U
s
i
ng
Li
ne
a
r
W
L
S
a
nd
S
am
pl
ed V
a
l
ue
s
i
n D
i
g
i
t
al
S
ub
s
t
at
i
on
s
.
I
E
E
E
T
r
ans
ac
t
i
on
s
o
n P
ow
er
D
el
i
v
er
y
.
201
7;
P
P
(9
9
):
1
-
8.
[2
5
]
Z
ak
er
i
an A
,
M
al
ek
i
A
,
M
oham
m
adn
i
an Y
and A
m
r
a
ee T
.
B
ad D
at
a D
et
e
c
t
i
o
n i
n S
t
a
t
e E
s
t
i
m
at
i
on U
s
i
ng
D
ec
i
s
i
on
T
r
e
e T
ec
h
ni
qu
e
.
I
r
an
i
an C
o
nf
er
enc
e o
n E
l
ec
t
r
i
c
a
l
E
ngi
ne
er
i
n
g (
I
C
E
E
)
,
T
ehr
an
.
2017:
10
37
-
1042.
Evaluation Warning : The document was created with Spire.PDF for Python.