卷积神经网络迁移学习在局部放电类型诊断中的应用
气体绝缘金属封闭开关设备的局部放电具有随机性，即使同一类型缺陷仍有较多表观变化形式，传统模式识别构造的特征难以适应其多变性；近年来兴起的卷积神经网络虽具有自适应提取特征的能力，但训练得到性能更好的网络模型一方面需要增加网络深度，另一方面需要更多的数据样本作为支撑。鉴于此，提出了基于在ImageNet数据集上训练的VGG、InceptionV3、Resnet50 3种网络模型迁移学习的GIS局部放电模式识别方法，并将网络提取的特征应用于在小数据集下表现良好的经典分类器SVM，实现卷积神经网络深度学习和机器学习的结合。实验表明，该方法能够有效提升GIS局部放电模式识别的准确率。
Gorde:
| Egile Nagusiak: | , , |
|---|---|
| Formatua: | Artigo |
| Hizkuntza: | Chinês |
| Argitaratua: |
Editorial Department of High Voltage Apparatus
2022-01-01
|
| Saila: | Gaoya dianqi |
| Gaiak: | |
| Sarrera elektronikoa: | http://www.zgydq.com/zh/article/doi/10.13296/j.1001-1609.hva.2022.04.022/ |
| Etiketak: |
Etiketarik gabe, Izan zaitez lehena erregistro honi etiketa jartzen!
|