[发明专利]一种基于RBF-NN的绝缘子融冰含水率监测方法

权利要求书

1.一种基于RBF-NN的绝缘子融冰含水率监测方法，利用一种基于RBF-NN的绝缘子融冰含水率监测装置，其特征在于，按照以下步骤实施：

步骤1)采集监测数据作为输入向量，

利用温湿度传感器、拉力传感器、绝缘子融冰监测传感器实时采集数据，将监测到的数据作为输入变量x存入微处理器的FPGA外挂的SRAM中；

步骤2)建立RBF神经网络模型，

在微处理器中建立训练好的模型，RBF神经网络是单隐层前馈型神经网络，输入层节点将输入信号传递到隐层，隐层节点由具有辐射状作用的高斯核函数构成，输出层节点则由简单的线性函数构成，隐层节点中的高斯核函数对输入信号将在局部产生响应，即当输入信号靠近高斯核函数的中央范围时，隐层节点将产生较大的输出信号，RBF神经网络的数学模型公式为：

式(1)中，x为n维输入向量，k_i为第i个隐节点中心；||x-k_i||为欧氏范数；w_ki为隐节点输出的连接权重；θ_k为第k个输出节点的阀值；g(·)通常取为高斯函数，g(·)的表达式为：σ为感知变量，决定该基函数中心点的宽度；

步骤3)对样本输入数据归一化处理，

为了提高RBF神经网络模型的学习速度，在训练前对步骤1)中SRAM得到的样本数据进行归一化处理，处理公式为：最后再对RBF神经网络模型的预测结果反归一化处理，恢复出样本数据真实预测值，样本数据真实预测值的表达式是：

x＝x'(x_max-x_min)+x_min， (2)

式(2)中，x为样本数据真实预测值，x'为归一化后样本数值，x_min表示样本数据的最小值，x_max表示样本数据的最大值；

步骤4)设置RBF神经网络模型的学习算法，

RBF网络模型的学习算法由无导师学习和有导师学习两部分组成，无导师学习是对所有样本的输入进行聚类，求得各隐节点中心k_i；有导师学习是当k_i确定后，采用最小二乘法训练由隐层至输出层之间的权值；

步骤5)设置RBF神经网络模型的训练算法，

RBF神经网络模型的训练算法是，首先DSP选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始，每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF网络学习输出和中量间的误差平方和，当误差平方和未达到设置的误差指标或达到最多神经元个数时，重新进行训练，直到当误差平方和达到设置的误差指标或达到最多神经元个数时，模型训练完成，误差精度达标；

步骤6)微处理器将步骤1)实时监测到的数据输入至训练好的模型中即可得到含水率；最后利用通讯模块将监测结果无线发送到远程监控中心，实现输电线路绝缘子融冰状况的远程监测。