基于Δu模式和RBF网络的局部放电模式识别

局部放电(PD)模式识别是诊断高压电气设备内绝缘缺陷的重要方法之一.采用了一种Δu模式参量作为局部放电的图谱特征,并采用不变矩作为放电特征;同时,采用了径向基函数神经网络(RBFNN)对局部放电Δu模式参量构成的图谱特征进行识别.结果表明采用正交最小二乘法(OLS)训练的RBFNN对Δu模式中的不变矩特征参量进行识别,RBFNN收敛速度快且稳定性强,识别率达到85.7%以上,能够很好地识别由5种人工绝缘缺陷模型产生的局部放电信号,在实际应用中具有良好的应用前景.     

基于BP人工神经网络的局部放电模式识别

介绍了ＢＰ人工神经网络在局部放电模式识别中的应用，结合实际现场情况提出了一种基于统计分析的局部放电特性提取方法，在此方法的荐对空气火花放同中火花放电进行了式识别实验，实验结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性。     

基于特高频无线传感器和模式识别算法的局部放电定位法

对电力设备局部放电的检测与定位是保障电力系统安全稳定运行的重要手段之一。现有局部放电定位法主要是基于特高频传感器技术和时差法进行的,高的采样率和同步精度,使得其硬件成本巨大、实现困难,且容易受现场环境影响。提出了基于特高频无线传感器和模式识别算法的局部放电定位法,该方法硬件要求低,易于实现,且具有良好的环境适应性。首先通过现场测量,建立待检测区域局部放电信号强度与放电坐标的特征信息库。当有局部放电发生时,将此时传感器测量到的特征信息输入已建好的信息库中进行模式识别,从而得到定位结果。现场试验结果表明,提出的新型局部放电定位算法的平均定位误差为0.58 m,80.8%的定位误差小于1 m,从而验证了算法的有效性,具有较好的推广应用价值。     

人工神经网络在汽轮发电机局部放电模式识别中的应用

阐述了局部放电测量对大型汽轮发电机定子绝缘状况诊断的重要性。针对大型汽轮发电机定子绝缘中３种主要放电形式，进行了大量模拟试验，获得了３种放电的相位Φ、放电量ｑ及放电次数ｎ的三维特征谱图。采用多层前馈神经网络来分析局部放电三维特征谱图的统计数据，以实现电机中局部放电的模式识别，取得了很好的效果。     

基于BP人工神经网络的局部放电模式识别

介绍了ＢＰ人工神经网络在局部放电模式识别中的应用．结合实际现场情况提出了一种基于统计分析的局部放电特性提取方法,在此方法的基础上对空气火花放电和油中火花放电进行了模式识别实验,实验结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性．     

基于遗传算法的神经网络在局部放电模式识别中的应用

针对ＢＰ神经网络（ＮＮ） 在大型发电机局部放电模式识别中存在的收敛速度慢、容易陷入局部极小点的问题,提出采用遗传算法（ＧＡ） 作为神经网络的学习算法．并且根据神经网络结构的特点,构造了新的遗传算子．结果表明,与ＢＰ神经网络相比,ＧＡ 神经网络的收敛性能和推广能力都有了明显提高     

一种用于模式识别的动态RBF神经网络算法

对径向基函数（RBF）神经网络在数据分类中的应用进行了研究．提出一种应用于模式识别的动态RBF训练算法,该算法使用区域映射误差函数并结合资源分配网络（RAN）的“新性”（novelty）条件动态调整网络的隐层节点数,从而可以更加有效地进行模式识别．二分类样本和建筑材料CaO-Al2O3-SiO2系统仿真表明,该改进算法使误差下降更快,减少了训练次数,可以获得精简的网络结构,从而使网络具有较高的泛化能力．     

多分类问题的RBF 二叉神经树网络方法

神经网络是一种普遍使用的分类方法。当类别数目较大时 ,神经网络结构复杂、训练时间激增、分类性能下降。基于两类问题的树网络多分类方法将两分类方法和判决树相结合 ,利用两分类方法来减少神经网络的训练时间 ,利用树型分类器来提高识别率。提出了一种多分类问题的二叉神经树网络结构和训练算法。利用两分类网络的训练结果对类别进行排序处理 ,并应用排序后的类别序号构成树型分类器 ,使可分性最差的类别的识别率提高最大 ,从而提高了整体分类性能。使用径向基函数 ( RBF)网络作为节点网络 ,使节点网络结构适应两类间的可分性 ,从而最终优化了神经树网络的结构。仿真实验表明该方法的分类性能优于现有方法     

GIS局部放电超高频信号复小波的模式识别

为了对模拟气体绝缘组合电器(gas insulated switchgear,GIS)的4种绝缘缺陷产生超高频(ultra high frequency,UHF)局部放电(partial discharge,PD)数据和波形进行识别,用复小波变换对UHF PD信号进行分解,利用均值、方差、偏斜度、陡峭度、能量共5个统计参量对复小波变换的各尺度系数进行量化,构造出能够描述UHF PD信号特征的候选特征子集,引入衡量特征分类能力的分离度指标J作为特征量降维的评判指标,从60个特征量中选取了5个具有较高分类能力的最佳特征量,作为径向基神经网络识别放电类型的输入有效向量,识别结果表明:db系列复小波系数的实部和虚部信息共同描述了PD信号的特征,从中提取的最佳特征量具有较高的分类能力,其中db4复小波的分类效果最好。     

基于多尺度熵和支持向量机的局部放电模式识别

为了准确、可靠地有效识别电力变压器中绝缘劣化的严重程度和局部放电的位置,本文提出一种基于多尺度熵特征提取方法,采用支持向量机对放电类型进行模式识别。首先,利用多尺度熵对放电信号从定性和定量两个角度有效提取特征放电信号特征量;其次,将获得的特征信号输入支持向量机对放电类型进行模式识别。实验结果表明,该方法可以有效提取局部放电信号特征量。     

基于ROLS的径向基函数神经网络实现数字调制自动识别

针对径向基函数(RBF)神经网络和统计模式识别的特点,提出利用递归正交最小二乘法(ROLS)的RBF神经网络实现数字信号调制样式的自动识别。仿真结果表明,利用ROLS算法很好地实现了RBF神经网络权值的确定和中心的选择,从而大大减少了网络的训练样本数和训练时间,提高了网络的识别性能。     

基于OLS的径向基函数神经网络实现多种数字信号调制方式自动识别

基于决策论的信号调制样式自动识别方法具有简单易行、适合在线分析的优点,针对一些参数的计算进行了改进,并提出了基于该方法,利用正交最小二乘法(OLS)的径向基函数(RBF)神经网络,实现数字信号调制样式自动识别的方法.提高了该方法的识别能力,对信噪比(SNR)为6～30 dB的测试信号识别得到了较好的结果.识别的数字信号为2ASK、4ASK、2PSK、4PSK(QPSK)、2FSK、4FSK与16QAM.     

基于径向基函数神经网络车辆跟驰模型

针对由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型的问题,应用径向基函数神经网络建立了跟驰模型,改进了基于最近邻聚类的网络学习算法,并利用跟驰数据对模型进行了验证.结果表明,该网络模型与多层前馈网络模型相比,结构简单,训练时间短,精度高,适宜在线进行实时预测.     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．     

基于径向基神经网络的焊接材料计算机辅助设计系统

以RBF神经网络理论为基础,设计实现了焊接材料计算机辅助设计系统。应用该系统能建立影响因子与性能指标之间的人工神经网络模型,并以此为基础建立了性能预测、配方预报、分析等功能模块,对焊接材料研发人员探索影响因子与性能指标之间关系具有较大的实际意义。     

基于Gabor滤波器和RBF网络的人耳识别

人耳这种人体生物特征识别技术已受到广泛的关注。提出一种基于2-D Gabor滤波器和径向基函数(RBF)神经网络的人耳识别方法。应用Gabor滤波器对人耳进行多尺度多方向的特征提取,然后采用RBF神经网络优良的自学习能力和非线性分类能力进行人耳图像的训练和识别。与传统的PCA方法相比,该方法对光照和姿态转换具有很好的鲁棒性,并且对不同的数据库具有较好的泛化能力。在USTB人耳图像库的实验结果显示该方法的有效性。     

基于特征矢量输入的神经网络测向方法

提出了一种新的基于特征矢量的采集输入数据方法，经该方法训练的径向基函数神经网络（RBFNN）可用于码多分址（CDMA）系统中多源信号波达角（DOA）的估计。该方法对信道噪声不敏感，能以较少的训练样本就可得到推广能力较好的神经网络。仿真结果表明，以新方法训练的RBFNN对多源信号DOA估计精度较高，实时性好，适用于CDMA通信系统的高分辨率测向。