在模式識(shí)別中，通常將分類器概括為貝葉斯((Bayes)分類器、線性分類器、非線性分類器、聚類分析分類器、模糊識(shí)別分類器等。根據(jù)對(duì)近10年局部放電模式識(shí)別具體應(yīng)用情況的分析，我們主要介紹人工神經(jīng)網(wǎng)絡(luò)分類器應(yīng)用的概況。人工神經(jīng)網(wǎng)絡(luò)是由許多具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過(guò)權(quán)系數(shù)相連接。人工神經(jīng)網(wǎng)絡(luò)的信息分布式存儲(chǔ)于連接權(quán)系數(shù)中，具有很高的容錯(cuò)性和魯棒性，而模式識(shí)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(luò)的這一特點(diǎn)是其成功解決模式識(shí)別問(wèn)題的主要原因之一。因此，人工神經(jīng)網(wǎng)絡(luò)在局部放電模式識(shí)別中得到了最廣泛應(yīng)用，并取得了良好的應(yīng)用效果。
①BP神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò)是一種有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)，主要采用反向傳播((Back-propagation，簡(jiǎn)稱BP)算法進(jìn)行學(xué)習(xí)訓(xùn)練。三層以上的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法比較復(fù)雜，一般使用不多。在局部放電模式識(shí)別應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)得到了廣泛的應(yīng)用。BP網(wǎng)絡(luò)的學(xué)習(xí)算法最常用的就是梯度下降法，但是存在訓(xùn)練時(shí)間較長(zhǎng)，且易陷于局部極小等兩個(gè)不足之處。
②自組織特征映射網(wǎng)絡(luò)
自組織特征映射(Self-organizing Map，簡(jiǎn)稱SOM)網(wǎng)絡(luò)采用模擬大腦神經(jīng)系統(tǒng)自組織特性映射功能進(jìn)行競(jìng)爭(zhēng)學(xué)習(xí)，是一種無(wú)監(jiān)督自組織學(xué)習(xí)網(wǎng)絡(luò)。它由輸入、輸出層組成，采用Kohonen算法學(xué)習(xí)，又稱Kohonen網(wǎng)絡(luò)。SOM網(wǎng)絡(luò)通過(guò)對(duì)輸入模式的反復(fù)學(xué)習(xí)，可以使連接權(quán)向量空間分布密度與輸入模式概率分布一致，因此可用于模式分類及特征檢測(cè)。SOFM網(wǎng)絡(luò)簡(jiǎn)單，計(jì)算量也少，但是研究表明SOFM在PD信號(hào)模式識(shí)別中的識(shí)別率較低。③ART網(wǎng)絡(luò)
基于自適應(yīng)共振理論(Adaptive Resonance Theory，簡(jiǎn)稱ART)的神經(jīng)網(wǎng)絡(luò)，其模型理論建立在人類的心理和認(rèn)知活動(dòng)基礎(chǔ)上。自適應(yīng)共振理論網(wǎng)絡(luò)，用生物神經(jīng)細(xì)胞自興奮與側(cè)抑制的動(dòng)力學(xué)原理指導(dǎo)學(xué)習(xí)。有學(xué)者研究了自適應(yīng)共振理論網(wǎng)絡(luò)在局部放電模式識(shí)別中的應(yīng)用。ART的不足之處在于過(guò)分敏感，輸入有小的變化時(shí)，輸出變化很大。④遺傳神經(jīng)網(wǎng)絡(luò)
遺傳算法(Genetic Algorithm，簡(jiǎn)稱GA)是一種借鑒生物進(jìn)化思想的高度并行、隨機(jī)、自適應(yīng)搜索算法。有學(xué)者研究了遺傳神經(jīng)網(wǎng)絡(luò)在局部放電模式識(shí)別中的應(yīng)用。遺傳算法的算法較復(fù)雜，收斂于局部極小的較早收斂問(wèn)題尚未解決。另外，研究人員應(yīng)用正交小波神經(jīng)網(wǎng)絡(luò)對(duì)局部放電統(tǒng)計(jì)特征進(jìn)行了識(shí)別。小波神經(jīng)網(wǎng)絡(luò)(Wavelet neural network，簡(jiǎn)稱WNN)是小波理論與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種前饋型網(wǎng)絡(luò)。其思想是用小波元代替了神經(jīng)元，即用已定位的小波函數(shù)代替Sigmoid函數(shù)作激活函數(shù)，或者神經(jīng)元之間的權(quán)值是小波變換函數(shù)，用通過(guò)仿射變換建立起來(lái)的小波變換與網(wǎng)絡(luò)系數(shù)之間的連接，并應(yīng)用于函數(shù)逼近。小波神經(jīng)網(wǎng)絡(luò)兼容了小波變換與神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，一方面，充分利用了小波變換的時(shí)頻局部化特性；另一方面，發(fā)揮了神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性，從而具有較強(qiáng)的逼近與容錯(cuò)能力。但是小波神經(jīng)網(wǎng)絡(luò)中同樣存在它的固有缺點(diǎn)一收斂速度慢、容易陷入局部極小。
關(guān)注微信公眾號(hào)