本书阐述了局部放电（PD）产生的机理及其危害，并结合模拟PD模型的实验研究，展示了作者应用人工智能理论方法在PD信号模式识别研究所获得的成果。本书以小波原理、信号分析和数据挖掘技术为基础，以模式识别方法、神经网络理论和智能算法为核心，分别论述了PD信号消噪、特征量提取和特征空间压缩方法，并详细阐明了应用神经网络（NN）方法、模糊原理、混沌理论实现PD信号模式分类的全过程。
样章试读
目录
- 目录
第1章 绪论 1
1.1 PD特性与表征 1
1.1.1 PD源与信号特性 2
1.1.2 PD信号的模式特征 3
1.2 模式分类器及其优化 5
1.2.1 PD模式分类器 5
1.2.2 全局优化算法 6
1.3 发展趋势 7
1.3.1 深度学习与深度神经网络 7
1.3.2 群智能算法 7
参考文献 8
第2章 模式识别与优化算法10
2.1 识别方法 10
2.2 识别系统 10
2.3 特征量与特征空间 11
2.3.1 特征量 11
2.3.2 特征空间 12
2.4 特征的可分性 12
2.4.1 特征可分性测量 12
2.4.2 类可分性测度 14
2.4.3 特征子集的选择 16
2.4.4 最优特征生成 18
2.5 分类器优化算法 20
2.5.1 随机梯度法 21
2.5.2 模拟退火算法 21
2.5.3 遗传算法 22
参考文献 23
第3章 PD与指纹特征 24
3.1 诱发PD的理化过程 24
3.1.1 介质内部局部放电 25
3.1.2 介质沿面局部放电 27
3.1.3 电晕放电 28
3.2 局部放电的危害 28
3.3 交流电压下的PD表征方法 30
3.4 局部放电模拟 32
3.4.1 模型构建与PD信号采集 33
3.4.2 交流电压下PD统计量的表征 35
3.4.3 统计分布参数与指纹 37
参考文献 41
第4章 PD信号小波去噪 43
4.1 PD信号小波变换特征 43
4.1.1 PD信号表征 43
4.1.2 PD信号的小波变换特征 44
4.2 噪声信号及其小波变换特征 46
4.3 含噪PD信号模型 47
4.4 模极大值去噪方法 48
4.4.1 模极大值的确定和信号重构 48
4.4.2 去噪仿真算例 51
4.5 去噪快速算法 52
4.5.1 局部放电信号（函数）多尺度逼近 52
4.5.2 多次小波变换去噪算法 55
4.5.3 复合小波变换去噪 57
参考文献 59
第5章 基于BPNN的PD模式识别 60
5.1 人工神经网络 60
5.1.1 BPNN算法 61
5.1.2 改进BPNN算法收敛速度的一些措施 66
5.2 基于BPNN的PD模式识别算法 67
5.2.1 局部放电模式特征量 68
5.2.2 类可分准则 68
5.2.3 PD模式识别过程 69
5.3 隐层神经元的影响 74
参考文献 75
第6章 支持向量机的PD模式识别 77
6.1 支持向量机 77
6.1.1 线性可分类支持向量机 77
6.1.2 线性不可分类支持向量机 79
6.2 PD模拟与特征提取 81
6.2.1 PD信号采集 81
6.2.2 PD特征提取 84
6.3 基于SVM的PD模式识别 88
6.3.1 核函数选择 88
6.3.2 SVM参数寻优 89
6.3.3 权值和阈值 90
6.3.4 SVM网络结构 93
6.3.5 识别结果 93
6.4 相关讨论 95
6.4.1 特征量的相关系数和类间距离 96
6.4.2 特征选择 97
6.4.3 识别结果 98
6.4.4 SVM与BP识别效果的比较 99
参考文献 100
第7章 基于FCM的PD模式识别 102
7.1 模糊聚类方法 102
7.1.1 模糊c均值聚类算法 103
7.1.2 加权模糊c均值聚类算法 107
7.2 PD模拟及信号采集 109
7.2.1 PD模型 109
7.2.2 PD信号采集 110
7.2.3 PD信号去噪 112
7.3 PD信号特征与提取 114
7.3.1 分形维数特征 114
7.3.2 PD信号灰度矩特征 116
7.4 基于模糊聚类PD模式识别 118
7.4.1 基于FCM算法的PD模式识别 118
7.4.2 基于WFCM算法的PD模式识别 119
7.5 结果分析 121
参考文献 122
第8章 基于WNN的PD模式识别 124
8.1 小波神经网络 124
8.1.1 正交小波神经网络 124
8.1.2 正交小波神经网络学习算法 125
8.2 自适应特征提取小波神经网络 127
8.2.1 PD信号的小波可分性 127
8.2.2 自适应特征提取小波神经网络结构 130
8.2.3 自适应特征提取小波神经网络隐层单元数目的确定 131
8.2.4 自适应特征提取小波神经网络学习算法 133
8.3 PD模式识别实验 135
8.3.1 PD信号采集 135
8.3.2 统计特征量提取与识别 136
8.3.3 自适应特征提取与模式识别 139
参考文献 142
第9章 基于混沌理论的PD模式识别 143
9.1 局部放电信号中的混沌现象 143
9.1.1 混沌特征 143
9.1.2 混沌相空间重构 144
9.1.3 相空间重构参数 145
9.2 混沌系统表征 147
9.2.1 Lyapunov指数 147
9.2.2 分形维数 148
9.2.3 Kolmogorov熵 149
9.3 PD混沌特性及其特征量提取 150
9.3.1 实验模拟的PD信号 150
9.3.2 PD信号混沌特性 151
9.3.3 PD混沌特征量及其提取 153
9.4 基于混沌特征的PD模式识别 160
9.4.1 BP神经网络设计 161
9.4.2 识别结果 162
9.4.3 基于指纹图谱特征的PD模式识别 164
9.4.4 特征量综合识别结果 165
参考文献 166
第10章 基于PSO优化的PD模式识别 168
10.1 反向传播神经网络 168
10.1.1 BPNN学习与优化 168
10.1.2 神经网络泛化能力 169
10.2 PSO优化的神经网络 170
10.2.1 粒子群算法 171
10.2.2 PSO优化算法 172
10.3 PD特征空间降维 174
10.3.1 PCA降维算法 174
10.3.2 PCA降维计算步骤 176
10.4 基于PSOBP的PD模式识别 177
10.4.1 PD信号模式预处理 177
10.4.2 误差分析方法 177
10.4.3 PD识别结果 178
10.4.4 隐层元数量的影响 179
参考文献 184
附录 185
京公网安备 11010102004214号