小样本下基于CNN-DCGAN的电缆局部放电模式识别方法

在电缆局部放电模式识别过程中,传统人工特征提取依赖特定领域的知识及经验,特征选择和优化工作量较大。针对该问题并为了避免非均衡小样本数据下分类器的过拟合,文中提出了一种在小样本的情况下基于CNN-DCGAN的电缆局部放电模式的识别方法。利用滑动时间窗将局部放电时域信号转化为二维图像信息,构建深度卷积生成对抗网络,在原始数据集的基础上进行样本增强,将原始样本和增强样本作为系统输入,构造卷积神经网络,利用其非线性编码器自动提取局部放电特征,并通过Softmax层训练特征分类模型。实验结果表明,相较于人工特征,基于自动特征提取的CNN分类器识别准确率提高了4.18%。相较于原有数据集,基于样本增强数据集的系统识别准确率提高了3.175%。