模糊B樣條神經網絡在變壓器超高頻局部放電模式識別中的應用孟憲堯遼寧大連海事大學自動化所（116026）田質廣山東濟南大學信息學院（250022）張慧芬性，同時進行窄帶和超寬帶測量。

　　這里選用水電阻作為保護電阻。它在樣品突然被擊穿時起限流作用，保護。

　　網絡共分為四層：第I層為輸入層，將特征向量"1，"2，"+引入網絡；第"層為模糊化層，完成輸入特征向量的模糊化，采用的隸屬函數為B樣條函數，網絡中I、"層對應于模糊控制規則的前提IF-PART部分；第層為模糊推理層，目的是對模糊化后的特征向量進行綜合處理，“n”表示模糊AND操作，用乘積操作代替取小運算；第層為輸出層，對應于去模糊化操作，對應于規則的結論“THEN-PART”部分，輸出節點表示分類的序號。網絡的輸入輸出關系如下：第I層，輸入節點：特征向量的各分量輸出節點：8（1）第"層，采用（=3，）=2時的B樣條函數作為隸屬函數對輸入進行模糊化處理，則輸入節點為：B樣條基函數！（"）為定義在節點A廣kd，A-kd+i，"上的（階基函數，這里）為擴展系數。若節點重合，則！（"）。；否則，它用如下遞階關系進行計算。

　　畫出了當2，（=，）=8時，（"）在區間上的圖形。可以看出當（。2、3時，k（"）的形狀類似于模糊隸屬函數，可以利用它們做隸屬函數。由于k= 3時！4（"）比較大，為075，所以在利用它為隸屬函數時需模糊B樣條數神經網絡結構本刊投稿郵箱：eta網絡的訓練學習采用監督學習算法中的反向誤差傳播算法（即BP算法）。定義網絡的學習誤差函數為：其中，表示網絡的期望輸出，+表示網絡的實際輸出，表示轉置。那么'1kk2kn的修正量為：輸出節點為：⑵二以2）（9）第！層，輸入節點為：第"層，輸入節點為://4=輸出節點為：（！=%！（4）=其中，（12表示網絡的聯接權值；（表示網絡的輸出；/= 1，2，）；）為分類的類別數。

　　3.2網絡學習算法模糊算法而言，在全局優化意義上能更加穩定快速地收斂。利用測試樣本集分別對BP、模糊神經算法和B樣條網絡進行測試，識別結果如表1所示。

　　表1放電類型識別結果放電類型訓練樣本數/全部樣本數正確識別數/識別總數識別率BP-NNFUZZYBP樣條NNBP-NNFUZZYB樣則可推出權值'"2"的迭代修正公式為：部放電的模式識別及評價選取合適的訓練樣本集對提高網絡的識別能力十從表1的識別結果可以看出，BP神經網絡的識別能力較模糊算法和B樣條神經網絡低；同時也表明當考慮各種隨機因素（電極尺寸、外施電壓及各種環境因素）的影響時，BP神經網絡的推廣能力和穩定性較差；更有甚者，當參數選取不當時很容易陷入局部極小點，無法完成識別任務。模糊算法的收斂速度快，訓練誤差小，較BP算法的性能有很大提高，但通過多次。可以看出，要達到同樣的誤差精度（0.0001），BP網絡、模糊神經算法和B樣條神經網絡需要的迭代次數分別為241412716和1685次，可見B樣條模糊神經網絡較BP神經網絡和提高。B樣條模糊神經網絡具有較高的識別率和較強的推廣能力，受各種隨機因素的影響較小，應用范圍廣泛。