在模（mó）式識別中，通常將（jiāng）分類器概括為貝葉斯((Bayes)分類（lèi）器、線性分類器、非線性分類器、聚類分（fèn）析分類器、模糊識別分類器等。根據對近10年（nián）局部放電模式識別具（jù）體應用情況的分析，成版人APP网站主要介紹人工神經網絡分類（lèi）器（qì）應（yīng）用的概況。人工神經網絡（luò）是由許多具有非線性映射能力（lì）的神經元組（zǔ）成，神經元之間通過權（quán）係數相連接。人工神經網絡的信息分布式存儲於連接權係數中，具有很（hěn）高的容錯性和魯棒性，而模式識別（bié）中（zhōng）往往存在噪聲幹擾和輸入模式的部（bù）分損失（shī），人工神經網絡的（de）這一特點是其成功解決（jué）模式識別問（wèn）題的主要原因之一。因（yīn）此，人工神經網絡在局部放電（diàn）模式識別中得到了最廣泛應用，並取得了（le）良好的應用效果。
①BP神經網絡
BP神經（jīng）網絡是一種有導師（shī）學習（xí）網（wǎng）絡，主要采用反向傳播((Back-propagation，簡稱BP)算法進行學習訓練。三層以上的BP神經網絡學（xué）習算法比（bǐ）較複雜，一般使用不多。在局部放電模（mó）式（shì）識別應（yīng）用中，BP神經網絡得到了廣泛的應用。BP網絡的學習算法最常用的就是梯度下降法，但是存在訓練時間較長，且易（yì）陷於局部極小等兩（liǎng）個不足之處。
②自組織特征映射網絡
自組織特征映射(Self-organizing Map，簡稱SOM)網絡采用模擬大腦神經係統自（zì）組織（zhī）特性映射功能進行（háng）競爭學習，是一種無監督自組織學習網絡。它由輸入、輸出層組成，采用Kohonen算法學習，又稱Kohonen網絡。SOM網絡通（tōng）過對輸入模式的反複（fù）學習（xí），可以使連接權向量空間分布密度與輸入模式概率（lǜ）分布一致，因此可用於模式分（fèn）類及特征檢測。SOFM網絡簡單，計算量也少，但是研究表明SOFM在PD信（xìn）號（hào）模式識別中（zhōng）的識（shí）別率（lǜ）較低。③ART網絡
基於自適應共振理論(Adaptive Resonance Theory，簡稱ART)的神經網絡，其模（mó）型理論建立在人類的心理和認知活動基礎上。自適應共振理論網絡，用生物神經細胞自興奮與側抑製的動力學原理指導學習。有學者研究了自適應共振理論網絡在局部放（fàng）電模（mó）式識別中的應用。ART的不足（zú）之處在於過分敏（mǐn）感，輸（shū）入有小的變化時，輸出變化很大。④遺傳神經網絡
遺傳算法(Genetic Algorithm，簡（jiǎn）稱GA)是（shì）一種借鑒生物進化思想的高度並行、隨機、自適應搜索算法。有學者研究了遺傳神經（jīng）網絡在局（jú）部放電模式識別中的應用。遺傳算法的算法較複雜，收斂於局（jú）部極小的較早收斂問（wèn）題尚未解決。另（lìng）外，研（yán）究人員應用正交小波神經網絡對（duì）局部放電統（tǒng）計特征（zhēng）進（jìn）行了識別（bié）。小波神經網絡(Wavelet neural network，簡稱WNN)是小波理論與人工神經（jīng）網（wǎng）絡（luò）相結合的一種前饋型網絡。其思（sī）想是用小波元代（dài）替了神經元，即用已定位（wèi）的小（xiǎo）波（bō）函數代替Sigmoid函數（shù）作激活函數，或者（zhě）神經元之間的權值（zhí）是小波變換函數，用（yòng）通過仿射變換建立起來的小波變換與（yǔ）網絡係數之間的（de）連接，並應用於函數逼近。小波神經網絡兼容了小波變換與神經網絡的優越性，一方麵，充分利用了小波變換的時（shí）頻局部化特性；另一方麵，發揮了神經網絡的自（zì）學習特性，從而具（jù）有較強的逼近與容錯能力。但是小波神經網絡中同樣存在它的（de）固（gù）有缺點一收斂速度慢、容易陷入局部極小。
關注微信公眾號