《表3 基于矩特征的神经网络识别效果》

  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

《基于灰度图中心矩与概率神经网络分类器的局部放电模式识别》

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

为了对比神经网络的识别效果，本文采用3层前向BP神经网络结构，输入层到隐含层、隐含层到输出层的激励函数均使用S函数[6]。以db5为母小波，分解层数为6层，计算二代小波包分解各层的小波系数熵为神经网络输入层的特征向量。由于放电模式为3种，所以训练过程中神经网络的输出分别用[001]代表尖端放电，[010]代表内部放电，[100]代表沿面放电。其识别效果如表3所示，从表中可见，总识别率为83.3%。该识别率较二代小波包系数熵隐马尔科夫模型要差，与小波系数熵隐马尔科夫模型的识别率相当。基于BP的分类方法与训练数据的多少、学习率、迭代次数、误差精度等均有关系，当增加训练样本时需要对网络重新训练。