[发明专利]一种基于概率神经网络的复合绝缘子憎水性等级判定方法

摘要

本发明发明了一种基于概率神经网络的复合绝缘子憎水性等级判定方法。改进的形状因子法作为常用的复合绝缘子憎水性特征参数提取方法，将最大水珠(或水膜)的形状因子与最大水珠(或水膜)的面积相结合，使得绝缘子等级判定结果大大提高，总共由输入层、模式层、求和层和输出层这4层结构组成。学习过程相对简单，没有涉及到收敛方面的问题。输入层和求和层在学习之前就可以根据实际情况确定，只需要确定学习样本的个数就可以确定概率神经网络的结构。

主权项

1.一种基于概率神经网络的复合绝缘子憎水性等级判定方法，其特征在于，步骤为：第一步：确定输入层，即有n个神经元，p个待测绝缘子样本，由于每个绝缘子有3个特征参数，根据实际情况，这里n取3，p取7；然后对输入向量矩阵进行归一化处理；第二步：确定模式层，神经元的个数等于学习样本的个数m，本文选取7类绝缘子，每类20个样本，将其作为学习样本，则；将学习样本按照类别的顺序依次编号，则编号1‑20的神经元为第一类模式，编号21‑40的神经元为第二类模式，以此类推，将编号121‑140的神经元作为第七类模式，各求和层单元仅与相对应地同类模式层神经元相连接；将个学习样本根据各自的特征参数组成一个的矩阵，为了减小误差，方便后面的数据处理，保证算法运行的收敛加快，对样本矩阵进行归一化处理；第三步：计算待测样本矩阵与学习样本归一化矩阵中相应元素的欧式距离；第四步：取标准差为0.1的高斯型函数，通过激活模式层中的径向基神经元得到初始概率矩阵；第五步：由前文可知，，；那么总共将140个学习样本分为7类，每类20个样本，为了方便计数，令为每类学习样本数目，即，则可以在该网络的求和层求解140个样本隶属于各类的初始概率之和；第六步：求解第个待识别的样本属于第类的概率，并找出每行的最大概率，求得每个待识别样品的类别。