[發明專利]融合殘差網絡與多尺度特征的GIS放電波形檢測方法

在審

• 申請號: 202110290858.6
• 申請日: 2021-03-18
• 公開（公告）號: CN115116101A
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 鄭鑫;曾操;邢航;朱鎧鎧;孫健強;姬萬里;楊茹;牟一飛;劉暢;侯添瑞;段正鵬;李曉慧
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06V40/13
• 分類號: G06V40/13;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 西安嘉思特知識產權代理事務所(普通合伙) 61230
• 代理人: 劉長春

1.一種融合殘差網絡與多尺度特征的GIS放電波形檢測方法，其特征在于，所述方法包括：

步驟1：獲取原始放電波形段數據并對每段所述原始放電波形數據標記所屬的不同波形的類別標簽，形成樣本數據。將形成的樣本數據打亂，并將打亂后的樣本數據按照預設比例分為訓練樣本集和測試樣本集；

步驟2：將來自所述訓練樣本集中的訓練樣本按不同的類別分批次傳入設計好的融合殘差網絡與多尺度特征的分類網絡模型中訓練；

步驟3：分類網絡模型的損失函數用交叉熵構造。在訓練時，每次訓練傳入一個類別的樣本，使用隨機梯度下降法，使得所述類別的樣本在所述分類網絡模型上的損失函數的平均值最小。按照上述步驟遍歷訓練樣本集中的所有訓練樣本，完成所述分類網絡模型的訓練過程；

步驟4：將每個所述測試樣本集中的測試樣本送入訓練完成的分類網絡模型中，通過所述分類網絡模型的前向傳播和最后一層的Softmax層，得到所述測試樣本屬于各個類別的置信度，取置信度最大的一類為所述分類網絡模型的檢測結果，遍歷所有測試樣本，通過對比所述分類網絡模型的檢測結果和標簽真實值，獲得所述分類網絡模型的分類準確率。

2.根據權利要求1所述的融合殘差網絡與多尺度特征的GIS放電波形檢測方法，其特征在于，所述步驟2包括：

S2.1：依據放電波形的一維性，所述分類網絡模型的基本結構也為一維全卷積神經網絡。所述分類網絡模型的的輸入大小為單段放電波形數據的個數，輸出為分類個數，在下采樣過程中去除傳統的池化層，采用步長為1的卷積層代替；

S2.2：將所述分類網絡模型設計成多尺度特征融合的網絡結構，具體做法為：輸入的放電波形數據在所述分類網絡模型中傳播時，依次經過不同的網絡層并得到不同大小的特征圖，將三種下采樣后的不同尺度的特征圖展寬為一維向量，并將三個一維向量拼接在一起組成全連接網絡的第一層，設置全連接網絡的第二層內的每個節點均與全連接網絡第一層每個節點相連，設置全連接網絡的第三層為6個節點，且全連接網絡第三層內的每個節點均與全連接網絡第二層每個節點相連，經過三層全連接網絡的前向傳播，三種尺度上的特征圖得到融合，最終輸出所述分類網絡模型的前向傳播結果；

S2.3：引入殘差網絡機制，將原始分類網絡模型的輸出與原始分類網絡模型的輸入求和作為殘差網絡的輸出，使用兩層卷積層和一層求和層作為殘差網絡單元，所述殘差網絡單元的輸入經過兩層卷積層后再與輸入進行求和，求和后的結果作為所述殘差網絡單元的輸出。

3.如權利要求2所述的融合殘差網絡與多尺度特征的GIS放電波形檢測方法，其特征在于，在所述S2.2中，所述輸入的放電波形數據的形狀為1×1×100，所述分類網絡模型的輸出節點數為6，共16層。

4.如權利要求1所述的融合殘差網絡與多尺度特征的GIS放電波形檢測方法，其特征在于，在所述步驟3中，每批訓練樣本的數據數量為200。