《表3 不同模式识别框架的平均识别正确率和训练时间》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的直流XLPE电缆局部放电模式识别技术》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了印证采用改进后的Alexnet网络的CNN算法对直流电缆局部放电的识别效果，本文将其与反向传播神经网络（Back Propagation Neural Network，BPNN）和支持向量机（Support Vector Machine，SVM）进行了比较。表3给出了BPNN、使用径向基函数（Radial Basis Function，RBF）的SVM以及采用最优学习率配置下的Quick-CIFAR-10、Alexnet和改进的Alexnet网络的CNN的平均识别正确率和训练时长。可以发现传统的模式识别算法BPNN和SVM的训练时间要短于CNN，但是识别正确率要低于使用Alexnet网络的CNN，其中识别正确率较高的SVM要比使用改进后的Alexnet网络的CNN低8.97%，差距较大。分析原因，BPNN和SVM是传统的浅层分类器，对于强随机性的直流局部放电信号的高维特征提取有所欠缺，导致识别正确率偏低。另外对比采用不同网络结构的CNN可以发现不同的网络结构对训练效果影响较大，对训练时间也有一定的影响。虽然改进后的Alexnet网络训练时间相较于原始的Alexnet略微要长，但是识别正确率高出了6.21%，具有较大的优势，说明改进后的Alexnet网络结构相较于原先纯粹应用于分类物体的图像识别的Alexnet网络更适合直流XLPE电缆的局部放电模式识别，最终识别正确率能达到91.32%。