在模式识别中，通常将分类器概括为贝叶斯((Bayes)分类器、线性分类器、非线性分类器、聚类分析分类器、模糊识别分类器等。根据对近10年局部放电模式识别具体应用情况的分析，我们主要介绍人工神经网络分类器应用的概况。人工神经网络是由许多具有非线性映射能力的神经元组成，神经元之间通过权系数相连接。人工神经网络的信息分布式存储于连接权系数中，具有很高的容错性和鲁棒性，而模式识别中往往存在噪声干扰和输入模式的部分损失，人工神经网络的这一特点是其成功解决模式识别问题的主要原因之一。因此，人工神经网络在局部放电模式识别中得到了最广泛应用，并取得了良好的应用效果。
①BP神经网络
BP神经网络是一种有导师学习网络，主要采用反向传播((Back-propagation，简称BP)算法进行学习训练。三层以上的BP神经网络学习算法比较复杂，一般使用不多。在局部放电模式识别应用中，BP神经网络得到了广泛的应用。BP网络的学习算法最常用的就是梯度下降法，但是存在训练时间较长，且易陷于局部极小等两个不足之处。
②自组织特征映射网络
自组织特征映射(Self-organizing Map，简称SOM)网络采用模拟大脑神经系统自组织特性映射功能进行竞争学习，是一种无监督自组织学习网络。它由输入、输出层组成，采用Kohonen算法学习，又称Kohonen网络。SOM网络通过对输入模式的反复学习，可以使连接权向量空间分布密度与输入模式概率分布一致，因此可用于模式分类及特征检测。SOFM网络简单，计算量也少，但是研究表明SOFM在PD信号模式识别中的识别率较低。③ART网络
基于自适应共振理论(Adaptive Resonance Theory，简称ART)的神经网络，其模型理论建立在人类的心理和认知活动基础上。自适应共振理论网络，用生物神经细胞自兴奋与侧抑制的动力学原理指导学习。有学者研究了自适应共振理论网络在局部放电模式识别中的应用。ART的不足之处在于过分敏感，输入有小的变化时，输出变化很大。④遗传神经网络
遗传算法(Genetic Algorithm，简称GA)是一种借鉴生物进化思想的高度并行、随机、自适应搜索算法。有学者研究了遗传神经网络在局部放电模式识别中的应用。遗传算法的算法较复杂，收敛于局部极小的较早收敛问题尚未解决。另外，研究人员应用正交小波神经网络对局部放电统计特征进行了识别。小波神经网络(Wavelet neural network，简称WNN)是小波理论与人工神经网络相结合的一种前馈型网络。其思想是用小波元代替了神经元，即用已定位的小波函数代替Sigmoid函数作激活函数，或者神经元之间的权值是小波变换函数，用通过仿射变换建立起来的小波变换与网络系数之间的连接，并应用于函数逼近。小波神经网络兼容了小波变换与神经网络的优越性，一方面，充分利用了小波变换的时频局部化特性；另一方面，发挥了神经网络的自学习特性，从而具有较强的逼近与容错能力。但是小波神经网络中同样存在它的固有缺点一收敛速度慢、容易陷入局部极小。
关注微信公众号