●第1章緒論1
1.1PD特性與表征1
1.1.1PD源與信號特性2
1.1.2PD信號的模式特征3
1.2模式分類器及其優化5
1.2.1PD模式分類器5
1.2.2全局優化算法6
1.3發展趨勢7
1.3.1深度學習與深度神經網絡7
1.3.2群智能算法7
參考文獻8
第2章模式識別與優化算法10
2.1識別方法10
2.2識別繫統10
2.3特征量與特征空間11
2.3.1特征量11
2.3.2特征空間12
2.4特征的可分性12
2.4.1特征可分性測量12
2.4.2類可分性測度14
2.4.3特征子集的選擇16
2.4.4很優特征生成18
2.5分類器優化算法20
2.5.1隨機梯度法21
2.5.2模擬退火算法21
2.5.3遺傳算法22
參考文獻23
第3章PD與指紋特征24
3.1誘發PD的理化過程24
3.1.1介質內部局部放電25
3.1.2介質沿面局部放電27
3.1.3電暈放電28
3.2局部放電的危害28
3.3交流電壓下的PD表征方法30
3.4局部放電模擬32
3.4.1模型構建與PD信號采集33
3.4.2交流電壓下PD統計量的表征35
3.4.3統計分布參數與指紋37
參考文獻41
第4章PD信號小波去噪43
4.1PD信號小波變換特征43
4.1.1PD信號表征43
4.1.2PD信號的小波變換特征44
4.2噪聲信號及其小波變換特征46
4.3含噪PD信號模型47
4.4模極大值去噪方法48
4.4.1模極大值的確定和信號重構48
4.4.2去噪仿真算例51
4.5去噪快速算法52
4.5.1局部放電信號（函數）多尺度逼近52
4.5.2多次小波變換去噪算法55
4.5.3復合小波變換去噪57
參考文獻59
第5章基於BPNN的PD模式識別60
5.1人工神經網絡60
5.1.1BPNN算法61
5.1.2改進BPNN算法收斂速度的一些措施66
5.2基於BPNN的PD模式識別算法67
5.2.1局部放電模式特征量68
5.2.2類可分準則68
5.2.3PD模式識別過程69
5.3隱的影響74
參考文獻75
第6章支持向量機的PD模式識別77
6.1支持向量機77
6.1.1線性可分類支持向量機77
6.1.2線性不可分類支持向量機79
6.2PD模擬與特征提取81
6.2.1PD信號采集81
6.2.2PD特征提取84
6.3基於SVM的PD模式識別88
6.3.1核函數選擇88
6.3.2SVM參數尋優89
6.3.3權值和閾值90
6.3.4SVM網絡結構93
6.3.5識別結果93
6.4相關討論95
6.4.1特征量的相關繫數和類間距離96
6.4.2特征選擇97
6.4.3識別結果98
6.4.4SVM與BP識別效果的比較99
參考文獻100
第7章基於FCM的PD模式識別102
7.1模糊聚類方法102
7.1.1模糊c均值聚類算法103
7.1.2加權模糊c均值聚類算法107
7.2PD模擬及信號采集109
7.2.1PD模型109
7.2.2PD信號采集110
7.2.3PD信號去噪112
7.3PD信號特征與提取114
7.3.1分形維數特征114
7.3.2PD信號灰度矩特征116
7.4基於模糊聚類PD模式識別118
7.4.1基於FCM算法的PD模式識別118
7.4.2基於WFCM算法的PD模式識別119
7.5結果分析121
參考文獻122
第8章基於WNN的PD模式識別124
8.1小波神經網絡124
8.1.1正交小波神經網絡124
8.1.2正交小波神經網絡學習算法125
8.2自適應特征提取小波神經網絡127
8.2.1PD信號的小波可分性127
8.2.2自適應特征提取小波神經網絡結構130
8.2.3自適應特征提取小波神經網絡數目的確定131
8.2.4自適應特征提取小波神經網絡學習算法133
8.3PD模式識別實驗135
8.3.1PD信號采集135
8.3.2統計特征量提取與識別136
8.3.3自適應特征提取與模式識別139
參考文獻142
第9章基於混沌理論的PD模式識別143
9.1局部放電信號中的混沌現像143
9.1.1混沌特征143
9.1.2混沌相空間重構144
9.1.3相空間重構參數145
9.2混沌繫統表征147
9.2.1Lyapunov指數147
9.2.2分形維數148
9.2.3Kolmogorov熵149
9.3PD混沌特性及其特征量提取150
9.3.1實驗模擬的PD信號150
9.3.2PD信號混沌特性151
9.3.3PD混沌特征量及其提取153
9.4基於混沌特征的PD模式識別160
9.4.1BP神經網絡設計161
9.4.2識別結果162
9.4.3基於指紋圖譜特征的PD模式識別164
9.4.4特征量綜合識別結果165
參考文獻166
第10章基於PSO優化的PD模式識別168
10.1反向傳播神經網絡168
10.1.1BPNN學習與優化168
10.1.2神經網絡泛化能力169
10.2PSO優化的神經網絡170
10.2.1粒子群算法171
10.2.2PSO優化算法172
10.3PD特征空間降維174
10.3.1PCA降維算法174
10.3.2PCA降維計算步驟176
10.4基於PSOBP的PD模式識別177
10.4.1PD信號模式預處理177
10.4.2誤差分析方法177
10.4.3PD識別結果178
10.4.數量的影響179
參考文獻184
附錄185

本書闡述了局部放電(PD)產生的機理及其危害，並結合模擬PD模型的實驗研究，展示了作者應用人工智能理論方法在PD信號模式識別研究所獲得的成果。本書以小波原理、信號分析和數據挖掘技術為基礎，以模式識別方法、神經網絡理論和智能算法為核心，分別論述了PD信號消噪、特征量提取和特征空間壓縮方法，並詳細闡明了應用NN方法、模糊原理、混沌理論實現PD信號模式分類的全過程。