人工神經(jīng)網(wǎng)絡(luò)是局部放電模式識(shí)別中zui常用的分類器，它由許多具有非線性能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)相連接。人工神經(jīng)網(wǎng)絡(luò)的信息式存儲(chǔ)于連接權(quán)系數(shù)中，具有很高的容錯(cuò)性和魯棒性，而模式識(shí)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(shí)別問題的主要原因之一。

BP神經(jīng)網(wǎng)絡(luò)是一種有導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)，主要采用反向傳播算法進(jìn)行學(xué)習(xí)訓(xùn)練。3層以上的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法比較復(fù)雜，一般使用不多。在局部放電模式識(shí)別應(yīng)用中，BP神經(jīng)網(wǎng)絡(luò)得到了的應(yīng)用。

徑向基（Radial Basis Function，簡稱RBF）神經(jīng)網(wǎng)絡(luò)是根據(jù)徑向基函數(shù)理論，在20世紀(jì)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、冗長的計(jì)算，其學(xué)習(xí)速度可以比通常的BP算法提高上千倍，其隱層節(jié)點(diǎn)的數(shù)目也在訓(xùn)練過程中確定，可以得到*解，同時(shí)RBF網(wǎng)絡(luò)具有更強(qiáng)的函數(shù)逼近和模式分類的能力，文獻(xiàn)以差盒維數(shù)和多重分形理論為基礎(chǔ)，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(duì)局放圖像求取了相應(yīng)的差盒維數(shù)、多重分形維數(shù)及放電重心特征，zui后將提取的特征量通過RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，識(shí)別結(jié)果有效地提高了GIS局部放電4種缺陷的識(shí)別率。文獻(xiàn)提出了一種適用于局部放電模式識(shí)別的局部放電數(shù)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”運(yùn)算提取局部放電灰度圖象的數(shù)學(xué)形態(tài)譜，并以此作為局部放電模式的特征向量。通過雙隱層人工神經(jīng)網(wǎng)絡(luò)分類器實(shí)現(xiàn)放電模式識(shí)別。針對(duì)電力變壓器內(nèi)部放電和空氣中放電設(shè)計(jì)了6種典型的放電模型，計(jì)算其形態(tài)譜，輸入雙隱層人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)放電模式識(shí)別，識(shí)別結(jié)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(shù)據(jù)集的所有有效信息的假設(shè)下，然而通常無法保證通過使用單一神經(jīng)網(wǎng)絡(luò)模型來提取出數(shù)據(jù)集中所有有效的信息。近年來，Wolpert提出了組合泛化的思想，而且Sridhar等利用該思想，通過將多個(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(jié)構(gòu)。文獻(xiàn)介紹了一種應(yīng)用于局部放電模式識(shí)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(jìng)爭層為SOM網(wǎng)絡(luò)，競(jìng)爭層到輸出層為BP網(wǎng)絡(luò)，分別按照Kohonen學(xué)習(xí)算法和BP學(xué)習(xí)算法進(jìn)行訓(xùn)練并調(diào)整連接權(quán)值。