模式识别 神经网络模式识别.doc

《模式识别 神经网络模式识别.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用局部放电既是设备绝缘劣化的征兆．又是造成绝缘劣化的重要原因．开展局部放电检测能比较灵敏地反映设备的早期故障．因此它对于电力设备的安全稳定运行具有重要意义。局部放电检测是大型发电机绝缘状态监测的重要手段。传统的检测方法．测量频率低，易受外界干扰。。对发电机超高频局部放电自动识别系统所得的放电谱图进行模式识别．可以区分不同类型的绝缘内部缺陷。将神经网络用于局部放电模式识别大大提高了识别的可靠性和实用性[1]．目前广泛采用的是基于BP算法(误差反向传播算法)的多层前馈神经网络本文结合BP算法和AGA算法各自

2、的优点．构造了一种基于AGA—BP混合学习算法的神经网络．应用于发电机超高频局部放电的模式识别中。基于自适应遗传算法AGA的神经网络遗传算法是一种概率搜索算法．它是利用某种编码技术作用于称为染色体的二进制数串。其基本思想是模拟由这些串组成的群体的进化过程。其操作是从一个n个串的初始群体出发．对当前群体中的个体不断循环地执行选择(selection)、交叉(cmss．over)和变异(mutation)过程。AGA神经网络就是将AGA作为神经网络的学习算法．对神经网络的权系数和阈值进行编码．形成所谓染色体．然后模拟自然界的进化过程．对染色体进行复制、交叉以及变异操作

3、．使染色体不断进化．最终产生代表问题最优解的染色体．再经反编码得到优化的网络权系数和阈值。与BP算法不同．AGA在网络学习过程中不采用梯度和其他辅助信息．只根据适应度的大小对神经网络权系数和阈值的编码进行遗传操作．得到最优解。要解决的主要问题是：对权系数和阈值进行编码：定义适应度函数。基于AGA—BP混合学习算法的神经网络自适应遗传算法可以在一个复杂的、多峰的、非线性及不可微的空间中实现全局搜索．它不需要有关误差函数梯度的信息．这在很难获取这些信息的情况下具有独特的优点[6]。但是．当在训练过程中容易获取梯度信息时．基于遗传算法的搜索方法在速度上就未必优于BP算法

4、或其他基于梯度的训练在AGA—BP神经网络中．网络的训练分为两步：首先利用AGA训练神经网络．使其定位于权空间全局最优或近似全局最优的附近．然后采用BP算法进行局部搜索．使其迅速地收敛到最终的优化值。AGA的作用是宏观搜索．处理的是大范围搜索问题．而BP算法中线性搜索过程的作用是极值局部搜索．即微观搜索．处理的是小范围搜索和搜索加速问题。算法的具体实现描述如下：初始化有限个数群体的染色体．并作为当前代P(0)，t=0；计算尸(f)中染色体的适应度，根据适应度选择交配池内的父母染色体：根据自适应的交叉概率P(．和变异概率Pn，把交叉操作和变异操作应用到父母染色体．并

5、产生下一代P(t+1)，f=￡+1；如果P(t)中的染色体不满足终止条件1．转到b。否则转到e：如果满足终止条件2．则结束，否则，用群体中适应度最大的染色体初始化网络权值．￡=0：按式(1)计算误差分量；按BP神经网络误差公式计算并修正网络的权值：如果满足终止条件2．则结束．否则转到f。超高频局部放电的模式识别及评价对BP，AGA，AGA—BP神经网络选取合适的训练样本集对提高网络的识别能力十分重要。一定要合理挑选样本．以使训练样本能涵盖全部样本的变化范围．这样经训练的神经网络可以达到较高的识别率。为此，每种放电模型都有5个以上的样品，这些样品的材料和结构完全相同

6、．但尺寸等方面有一定差别：而且对同一个样品，在相同条件下采集多个样本．以确保实验结果具有良好的统计性和可重复性。最后．将多个3种放电模型的局部放电测量结果随机地分成两组．一组样本集用于神经网络的学习．另一组样本集不经过网络学习环节．直接用于神经网络识别．以判断网络的学习效果及推广能力。结论结合自适应遗传算法的全局收敛特性和BP算法局部收敛特性各自的优点．构造了AGA—BP混合算法作为神经网络的学习算法．并将其应用于“异或”问题．检验了AGA—BP神经网络的有效性。分别采用BP．AGA和AGA—BP神经网络对变压器超高频局部放电的5种放电模式进行识别。实验结果表明．

7、AGA—BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题．又提高了AGA神经网络的收敛速度和稳定性．具有较高的识别率和较强的推广能力．在发电机定子超高频局部放电的模式识别中具有较好的应用前景。基于层次的模糊K均值聚类算法研究聚类是数据分析中的一项重要技术，是众多科学领域和工程技术中的一项基础性工作。聚类分析被广泛应用于生物学、天体物理学、模式识别、决策支持、数据挖掘、图像处理、最优化问题等。所谓聚类是把d维特征空间中的Ⅳ个数据点分成个不同的类，使类内数据点的相似度高、不同类之问的数据点的相似度低H。j。这里的相似在特征空间中表现为距离近，所以距离

8、可以用来对