模糊B样条神经网络在变压器超高频局部放电模式识别中的应用孟宪尧辽宁大连海事大学自动化所（116026）田质广山东济南大学信息学院（250022）张慧芬性，同时进行窄带和超宽带测量。

　　这里选用水电阻作为保护电阻。它在样品突然被击穿时起限流作用，保护。

　　网络共分为四层：第I层为输入层，将特征向量"1，"2，"+引入网络；第"层为模糊化层，完成输入特征向量的模糊化，采用的隶属函数为B样条函数，网络中I、"层对应于模糊控制规则的前提IF-PART部分；第层为模糊推理层，目的是对模糊化后的特征向量进行综合处理，“n”表示模糊AND操作，用乘积操作代替取小运算；第层为输出层，对应于去模糊化操作，对应于规则的结论“THEN-PART”部分，输出节点表示分类的序号。网络的输入输出关系如下：第I层，输入节点：特征向量的各分量输出节点：8（1）第"层，采用（=3，）=2时的B样条函数作为隶属函数对输入进行模糊化处理，则输入节点为：B样条基函数！（"）为定义在节点A广kd，A-kd+i，"上的（阶基函数，这里）为扩展系数。若节点重合，则！（"）。；否则，它用如下递阶关系进行计算。

　　画出了当2，（=，）=8时，（"）在区间上的图形。可以看出当（。2、3时，k（"）的形状类似于模糊隶属函数，可以利用它们做隶属函数。由于k= 3时！4（"）*大，为075，所以在利用它为隶属函数时需模糊B样条数神经网络结构本刊投稿邮箱：eta网络的训练学习采用监督学习算法中的反向误差传播算法（即BP算法）。定义网络的学习误差函数为：其中，表示网络的期望输出，+表示网络的实际输出，表示转置。那么'1kk2kn的修正量为：输出节点为：⑵二以2）（9）第！层，输入节点为：第"层，输入节点为://4=输出节点为：（！=%！（4）=其中，（12表示网络的联接权值；（表示网络的输出；/= 1，2，）；）为分类的类别数。

　　3.2网络学习算法模糊算法而言，在全局优化意义上能更加稳定快速地收敛。利用测试样本集分别对BP、模糊神经算法和B样条网络进行测试，识别结果如表1所示。

　　表1放电类型识别结果放电类型训练样本数/全部样本数正确识别数/识别总数识别率BP-NNFUZZYBP样条NNBP-NNFUZZYB样则可推出权值'"2"的迭代修正公式为：部放电的模式识别及评价选取合适的训练样本集对提高网络的识别能力十从表1的识别结果可以看出，BP神经网络的识别能力较模糊算法和B样条神经网络低；同时也表明当考虑各种随机因素（电极尺寸、外施电压及各种环境因素）的影响时，BP神经网络的推广能力和稳定性较差；更有甚者，当参数选取不当时很容易陷入局部极小点，无法完成识别任务。模糊算法的收敛速度快，训练误差小，较BP算法的性能有很大提高，但通过多次。可以看出，要达到同样的误差精度（0.0001），BP网络、模糊神经算法和B样条神经网络需要的迭代次数分别为241412716和1685次，可见B样条模糊神经网络较BP神经网络和提高。B样条模糊神经网络具有较高的识别率和较强的推广能力，受各种随机因素的影响较小，应用范围广泛。