人工神經網絡是(shi)局部放電模(mo)式(shi)識別(bie)中zui常用的(de)分(fen)類器，它(ta)由(you)許多(duo)具有(you)非線性能力(li)的神經元(yuan)組(zu)成，神經元(yuan)之間通(tong)過(guo)權系數(shu)相連(lian)接。人工神經網絡的(de)信(xin)息式(shi)存(cun)儲(chu)於連接權系數(shu)中，具有(you)很(hen)高(gao)的(de)容(rong)錯(cuo)性(xing)和(he)魯(lu)棒性，而(er)模(mo)式(shi)識別(bie)中往往存(cun)在(zai)噪聲幹擾(rao)和輸(shu)入模(mo)式(shi)的(de)部分(fen)損失(shi)，人工神經網絡的(de)這(zhe)壹(yi)特點是其成功(gong)解決模(mo)式(shi)識別(bie)問題(ti)的主(zhu)要(yao)原(yuan)因之壹(yi)。

BP神經網絡是(shi)壹(yi)種(zhong)有(you)導(dao)師學(xue)習網絡，主(zhu)要(yao)采(cai)用反向傳(chuan)播算(suan)法進行學(xue)習訓(xun)練(lian)。3層(ceng)以上(shang)的BP神經網絡學(xue)習算(suan)法比較復雜，壹(yi)般(ban)使用不(bu)多(duo)。在局部放電模(mo)式(shi)識別(bie)應用中，BP神經網絡得(de)到(dao)了的應用。

徑(jing)向(xiang)基(ji)（Radial Basis Function，簡(jian)稱RBF）神經網絡是(shi)根(gen)據(ju)徑(jing)向(xiang)基(ji)函數(shu)理(li)論，在(zai)20世紀90年(nian)代提出(chu)的(de)壹(yi)種(zhong)神經網絡。RBF網絡不(bu)僅具(ju)有良(liang)好(hao)的推廣能(neng)力(li)，而且(qie)避(bi)免(mian)了BP算(suan)法中繁瑣(suo)、冗(rong)長的(de)計(ji)算(suan)，其學(xue)習速度可以比通(tong)常(chang)的BP算(suan)法提高(gao)上(shang)千(qian)倍(bei)，其隱層(ceng)節(jie)點的數(shu)目也(ye)在(zai)訓(xun)練(lian)過(guo)程(cheng)中確定(ding)，可以得(de)到*解，同時RBF網絡具(ju)有(you)更強的函數(shu)逼近和(he)模(mo)式(shi)分(fen)類的(de)能(neng)力(li)，文獻(xian)以差(cha)盒(he)維(wei)數(shu)和多(duo)重分(fen)形理(li)論為基(ji)礎(chu)，提出(chu)了(le)壹(yi)種(zhong)基(ji)於(yu)多(duo)重分(fen)形特征的(de)GIS局部放電圖(tu)譜特征提(ti)取方法(fa)，對(dui)局放圖(tu)像求取了相應的差盒(he)維(wei)數(shu)、多(duo)重分(fen)形維(wei)數(shu)及放(fang)電重(zhong)心特征，zui後將(jiang)提取(qu)的特征量(liang)通(tong)過(guo)RBF神經網絡進(jin)行分(fen)類，識別(bie)結(jie)果(guo)有效(xiao)地提高(gao)了(le)GIS局部放電4種(zhong)缺(que)陷(xian)的識別(bie)率。文獻提出(chu)了(le)壹(yi)種(zhong)適(shi)用於(yu)局部放電模(mo)式(shi)識別(bie)的局部放電數(shu)學(xue)形(xing)態譜提取(qu)方(fang)法。該方(fang)法(fa)基(ji)於形態(tai)學(xue)顆(ke)粒分(fen)析理(li)論，采(cai)用多(duo)尺度形態學(xue)“開(kai)”運算(suan)提取局部放電灰(hui)度圖象的數(shu)學(xue)形(xing)態譜，並以此(ci)作(zuo)為局部放電模(mo)式(shi)的(de)特征向(xiang)量。通(tong)過(guo)雙隱層(ceng)人(ren)工神經網絡分(fen)類器實(shi)現(xian)放電模(mo)式(shi)識別(bie)。針(zhen)對電力(li)變壓(ya)器內部放電和(he)空(kong)氣中放電設(she)計(ji)了6種(zhong)典型的放(fang)電模(mo)型，計(ji)算(suan)其形(xing)態(tai)譜，輸(shu)入雙隱層(ceng)人(ren)工神經網絡實(shi)現(xian)放電模(mo)式(shi)識別(bie)，識別(bie)結(jie)果(guo)表明(ming)了該方(fang)法(fa)的(de)有效(xiao)性。

組合(he)神經網絡在(zai)神經網絡建(jian)模(mo)中通(tong)常(chang)是使用單(dan)壹(yi)*神經網絡，而(er)這(zhe)是(shi)在(zai)單(dan)個神經網絡能(neng)提(ti)取出(chu)給(gei)定(ding)數(shu)據(ju)集(ji)的所有有(you)效(xiao)信(xin)息的假(jia)設下，然而通(tong)常(chang)無(wu)法保證(zheng)通(tong)過(guo)使用單(dan)壹(yi)神經網絡模(mo)型來提(ti)取出(chu)數(shu)據(ju)集(ji)中所有有(you)效(xiao)的信(xin)息。近年(nian)來，Wolpert提出(chu)了(le)組(zu)合(he)泛(fan)化的(de)思想(xiang)，而(er)且Sridhar等(deng)利(li)用該思(si)想(xiang)，通(tong)過(guo)將(jiang)多(duo)個單(dan)壹(yi)神經網絡模(mo)型組合(he)在(zai)壹(yi)起的方(fang)法(fa)，而得到(dao)了組(zu)合(he)神經網絡的(de)結(jie)構。文(wen)獻(xian)介紹(shao)了壹(yi)種(zhong)應用於(yu)局部放電模(mo)式(shi)識別(bie)的組(zu)合(he)神經網絡，即(ji)將(jiang)基本(ben)的SOM網絡和(he)BP網絡組(zu)合(he)在(zai)壹(yi)起。輸(shu)入層(ceng)到(dao)競(jing)爭(zheng)層(ceng)為SOM網絡，競(jing)爭(zheng)層(ceng)到(dao)輸(shu)出(chu)層(ceng)為BP網絡，分(fen)別(bie)按照Kohonen學(xue)習算(suan)法和BP學(xue)習算(suan)法進行訓(xun)練(lian)並(bing)調整連(lian)接權值。