人工神經(jīng)網(wǎng)絡是局部放電模式識別中zui常用的分類器,它由許多具有非線性能力的神經(jīng)元組成,神經(jīng)元之間通過權系數(shù)相連接。人工神經(jīng)網(wǎng)絡的信息式存儲于連接權系數(shù)中,具有很高的容錯性和魯棒性,而模式識別中往往存在噪聲干擾和輸入模式的部分損失,人工神經(jīng)網(wǎng)絡的這一特點是其成功解決模式識別問題的主要原因之一。
BP神經(jīng)網(wǎng)絡是一種有導師學習網(wǎng)絡,主要采用反向傳播算法進行學習訓練。3層以上的BP神經(jīng)網(wǎng)絡學習算法比較復雜,一般使用不多。在局部放電模式識別應用中,BP神經(jīng)網(wǎng)絡得到了的應用。
徑向基(Radial Basis Function,簡稱RBF)神經(jīng)網(wǎng)絡是根據(jù)徑向基函數(shù)理論,在20世紀90年代提出的一種神經(jīng)網(wǎng)絡。RBF網(wǎng)絡不僅具有良好的推廣能力,而且避免了BP算法中繁瑣、冗長的計算,其學習速度可以比通常的BP算法提高上千倍,其隱層節(jié)點的數(shù)目也在訓練過程中確定,可以得到*解,同時RBF網(wǎng)絡具有更強的函數(shù)逼近和模式分類的能力,文獻以差盒維數(shù)和多重分形理論為基礎,提出了一種基于多重分形特征的GIS局部放電圖譜特征提取方法,對局放圖像求取了相應的差盒維數(shù)、多重分形維數(shù)及放電重心特征,zui后將提取的特征量通過RBF神經(jīng)網(wǎng)絡進行分類,識別結果有效地提高了GIS局部放電4種缺陷的識別率。文獻提出了一種適用于局部放電模式識別的局部放電數(shù)學形態(tài)譜提取方法。該方法基于形態(tài)學顆粒分析理論,采用多尺度形態(tài)學“開”運算提取局部放電灰度圖象的數(shù)學形態(tài)譜,并以此作為局部放電模式的特征向量。通過雙隱層人工神經(jīng)網(wǎng)絡分類器實現(xiàn)放電模式識別。針對電力變壓器內部放電和空氣中放電設計了6種典型的放電模型,計算其形態(tài)譜,輸入雙隱層人工神經(jīng)網(wǎng)絡實現(xiàn)放電模式識別,識別結果表明了該方法的有效性。
組合神經(jīng)網(wǎng)絡在神經(jīng)網(wǎng)絡建模中通常是使用單一*神經(jīng)網(wǎng)絡,而這是在單個神經(jīng)網(wǎng)絡能提取出給定數(shù)據(jù)集的所有有效信息的假設下,然而通常無法保證通過使用單一神經(jīng)網(wǎng)絡模型來提取出數(shù)據(jù)集中所有有效的信息。近年來,Wolpert提出了組合泛化的思想,而且Sridhar等利用該思想,通過將多個單一神經(jīng)網(wǎng)絡模型組合在一起的方法,而得到了組合神經(jīng)網(wǎng)絡的結構。文獻介紹了一種應用于局部放電模式識別的組合神經(jīng)網(wǎng)絡,即將基本的SOM網(wǎng)絡和BP網(wǎng)絡組合在一起。輸入層到競爭層為SOM網(wǎng)絡,競爭層到輸出層為BP網(wǎng)絡,分別按照Kohonen學習算法和BP學習算法進行訓練并調整連接權值。