基于深度迁移学习的玻璃绝缘子自爆状态智能认知方法研究

针对现有绝缘子自爆状态检测方法中开环模型泛化能力的不足和深层神经网络结构的缺陷,模仿人类认知模式,借鉴迁移学习和闭环控制思想,该文探索了一种基于深度迁移学习的玻璃绝缘子自爆状态智能认知方法。首先,面向预处理的绝缘子图像,采用交错组卷积策略重构Goog Le Net网络的卷积层,降低卷积复杂度。其次,基于自适应卷积模块组构建绝缘子图像由整体到局部有确定映射关系的动态特征空间数据结构,采用可区分性测度指标评测特征空间的差异认知信息,增强简约特征空间的可解释性。再次,将简约全连接特征向量送给随机配置网络模式分类器,建立具有强泛化能力的绝缘子图像分类准则。最后,模仿人类认知模式,基于广义误差和熵理论,建立玻璃绝缘子图像不确定认知结果的熵形式目标优化函数评测指标,实时评测绝缘子自爆状态认知结果,构建动态迁移学习机制,实现自爆状态多层次差异化特征空间及其分类准则的自寻优调节和重构。实验结果表明了文中方法的可行性和有效性。