人工神經(jīng)網(wǎng)絡(luò )是局部放電模式識別中zui常用的分類(lèi)器，它由許多具有非線(xiàn)性能力的神經(jīng)元組成，神經(jīng)元之間通過(guò)權系數相連接。人工神經(jīng)網(wǎng)絡(luò )的信息式存儲于連接權系數中，具有很高的容錯性和魯棒性，而模式識別中往往存在噪聲干擾和輸入模式的部分損失，人工神經(jīng)網(wǎng)絡(luò )的這一特點(diǎn)是其成功解決模式識別問(wèn)題的主要原因之一。

BP神經(jīng)網(wǎng)絡(luò )是一種有導師學(xué)習網(wǎng)絡(luò )，主要采用反向傳播算法進(jìn)行學(xué)習訓練。3層以上的BP神經(jīng)網(wǎng)絡(luò )學(xué)習算法比較復雜，一般使用不多。在局部放電模式識別應用中，BP神經(jīng)網(wǎng)絡(luò )得到了的應用。

徑向基（Radial Basis Function，簡(jiǎn)稱(chēng)RBF）神經(jīng)網(wǎng)絡(luò )是根據徑向基函數理論，在20世紀90年代提出的一種神經(jīng)網(wǎng)絡(luò )。RBF網(wǎng)絡(luò )不僅具有良好的推廣能力，而且避免了BP算法中繁瑣、冗長(cháng)的計算，其學(xué)習速度可以比通常的BP算法提高上千倍，其隱層節點(diǎn)的數目也在訓練過(guò)程中確定，可以得到*解，同時(shí)RBF網(wǎng)絡(luò )具有更強的函數逼近和模式分類(lèi)的能力，文獻以差盒維數和多重分形理論為基礎，提出了一種基于多重分形特征的GIS局部放電圖譜特征提取方法，對局放圖像求取了相應的差盒維數、多重分形維數及放電重心特征，zui后將提取的特征量通過(guò)RBF神經(jīng)網(wǎng)絡(luò )進(jìn)行分類(lèi)，識別結果有效地提高了GIS局部放電4種缺陷的識別率。文獻提出了一種適用于局部放電模式識別的局部放電數學(xué)形態(tài)譜提取方法。該方法基于形態(tài)學(xué)顆粒分析理論，采用多尺度形態(tài)學(xué)“開(kāi)”運算提取局部放電灰度圖象的數學(xué)形態(tài)譜，并以此作為局部放電模式的特征向量。通過(guò)雙隱層人工神經(jīng)網(wǎng)絡(luò )分類(lèi)器實(shí)現放電模式識別。針對電力變壓器內部放電和空氣中放電設計了6種典型的放電模型，計算其形態(tài)譜，輸入雙隱層人工神經(jīng)網(wǎng)絡(luò )實(shí)現放電模式識別，識別結果表明了該方法的有效性。

組合神經(jīng)網(wǎng)絡(luò )在神經(jīng)網(wǎng)絡(luò )建模中通常是使用單一*神經(jīng)網(wǎng)絡(luò )，而這是在單個(gè)神經(jīng)網(wǎng)絡(luò )能提取出給定數據集的所有有效信息的假設下，然而通常無(wú)法保證通過(guò)使用單一神經(jīng)網(wǎng)絡(luò )模型來(lái)提取出數據集中所有有效的信息。近年來(lái)，Wolpert提出了組合泛化的思想，而且Sridhar等利用該思想，通過(guò)將多個(gè)單一神經(jīng)網(wǎng)絡(luò )模型組合在一起的方法，而得到了組合神經(jīng)網(wǎng)絡(luò )的結構。文獻介紹了一種應用于局部放電模式識別的組合神經(jīng)網(wǎng)絡(luò )，即將基本的SOM網(wǎng)絡(luò )和BP網(wǎng)絡(luò )組合在一起。輸入層到競爭層為SOM網(wǎng)絡(luò )，競爭層到輸出層為BP網(wǎng)絡(luò )，分別按照Kohonen學(xué)習算法和BP學(xué)習算法進(jìn)行訓練并調整連接權值。