摘 要：电气设备局部放电模式识别是指对电气设备的放电故障类型进行识别。作为局部放电故障诊断技术的基础，它为局部放电风险程度评估提供重要的参考信息。对国内外在电气设备局部放电模式识别技术方面的研究现状进行梳理，分别从局部放电模式构造、特征量提取以及分类器选择 3 方面进行归纳总结。讨论了目前局部放电模式识别各环节研究及实践中存在的问题，最后从融合多种放电模式的特征量信息、优化改进分类器以及寻优分类决策等方面对局部放电模式识别技术的发展进行展望。
关键词：局部放电;模式识别;局部放电模式;特征量;分类器;信息融合;分类决策
0 引言
电气设备是组成电力系统的基本元件，是保证供电可靠性的基础。由国内外统计资料表明，电气设备绝缘性能的劣化是导致其失效的主要原因，严重时可能会导致电网大面积停电事故[1-2]。而局部放电[3]既是电气设备绝缘劣化的征兆，又是造成绝缘劣化的关键性因素。电气设备局部放电模式识别是指对电气设备的放电故障类型进行识别。针对不同的电气设备，局部放电故障类型的划分存在差异。变压器局部放电故障类型主要包括沿面放电、气隙放电和电晕放电，而气体绝缘组合电器(GIS)还包括悬浮放电和自由金属放电两种类型。故障类型与局部放电的严重程度密切相关，因此对电气设备故障类型的有效识别可以为局部放电风险程度评估提供可靠的参考信息。
目前，针对局部放电模式识别，国内外学者进行了大量的实验研究，并取得了显著的成果。局部放电模式识别主要包括局部放电模式构造、特征量提取以及分类器选择 3 个关键环节。电气设备发生局部放电时，往往伴随着电、声、光、热以及产生新的化学物质等现象，不同的故障类型产生不同的放电现象。不同的检测方式可获得局部放电的不同信息，进而构造局部放电模式用于故障诊断。由于所构造的局部放电模式信息量大，直接对其分析判断相当困难，因此往往采用降维方式并提取能反映故障本质特征的信息进行模式识别。随着研究的不断深入，选取更具代表性的局部放电特征量，是目前研究的热点。分类器选择也是模式识别的关键环节之一，常用的分类器有：贝叶斯分类器、神经网络、支持向量机等。学者们针对常用分类器存在的不足，优化改进其分类算法，以提高局部放电模式识别率。鉴于传统单一特征量信息分析模式存在信息不全面、识别不准确、可靠性低等问题，将多信息融合技术应用于局部放电模式识别中，可以弥补单一特征量模式识别存在的不足，也将成为未来局部放电模式识别研究的热点。
本文对近年来局部放电模式识别的相关发展及重要成果进行了综述，讨论了目前局部放电模式识别各环节中存在的问题以及可能解决问题的方法，最后提出了今后实验研究和工程应用中可能的发展方向。
1 局部放电模式构造
高压电气设备内部发生局部放电时，往往伴随着电、声、光、热以及产生一些新的化学物质等现象，工程中常采用脉冲电流法、特高频法、超声波测量法、光测量法等进行局部放电测量[4-8]。不同检测法获取的信息可以构造不同的局部放电模式，用于放电分析和故障诊断[9]，目前主要采用的是基于电测法的模式识别[10-11]。构造局部放电模式是特征量提取的前提。近年来，主要应用的局部放电模式有以下几种。
1.1 基于单次脉冲波形模式
脉冲波形(TRPD)模式也被称作局部放电时间分布模式，它是将局部放电脉冲波形直接作为模式识别对象，提取波形的特征量，进行模式识别[12]。单次脉冲波形图如图 1 所示。实验研究发现，局部放电脉冲波形与局部放点缺陷类型有直接关系，因此可直接将测得的局部放电脉冲信号的波形作为模式识别对象。但在实际应用中，检测到的脉冲波形与放电源、传播路径以及检测系统均有关，其中传播路径及检测系统的影响最大。若使用的检测系统的频带足够宽，并采用实时监测，可降低检测系统的影响，因此脉冲波形则由传播路径决定。由于目前现场检测环境复杂，信号传播衰减严重，基于单次脉冲波形特征的故障识别方法不宜采用。而采集到脉冲波形常用于区分不同路径的放电源，以便达到聚类分离的目的。
1.2 局部放电相位分布模式
在局部放电信号分析中，局部放电相位分布(PRPD)模式是一种最常用的放电模式，也被称作φ −q−n 模式。这种模式是描述局部放电脉冲所对应的工频相位φ(0°~360°)、放电量 q(由于用 UHF 法检测时无法标准标定放电量，则 q 表示脉冲幅值[13])和放电次数 n(或放电率)之间的关系，并不包含时间的信息。通过采集多个工频周期的局部放电脉冲数据，将 q−φ 平面划分为 Nφ×Nq个小格，统计在该小格内的放电次数[14]，即可获得φ −q−n 三维统计谱图 Hn(q, φ )模式。基于 Hn(q, φ )模式可以得到最大放电量 qmax对φ 分布，即 Hqmax(φ );平均放电量 qn 对的分布 Hqn(φ )，放电次数 n 对φ 分布 Hn(φ )，放电次数 n 对放电能量 p 分布 H(p)以及放电次数 n 对放电量 q 分布 H(q)等二维统计谱图。将 Hn(q, φ )三维谱图向 q−φ 平面投影，得到 Hn(q, φ ) 灰度图;q−φ 灰度图是φ −q−n 的平面化描述，灰度与放电次数 n 相关，同样能够反映局部放电的相位分布、幅值分布以及放电次数分布，在近年来的研究中得到广泛使用。图 2 为 GIS 中典型故障类型的 PRPD 模式图。此外，文献[15]提出了一种基于自适应双阈值的 PD 信号基本参数φ 、q、n 的提取方法，实验表明该方法为后续模式识别方法提供准确有效的特征信息。
1.3 脉冲序列分布模式
脉冲序列分布(PRPS)模式主要用来描述放电信号的幅值、相位以及放电脉冲的时间信息(或放电周期)，表征放电脉冲序列相位、周期的分布情况。目前，在局部放电在线监测与诊断中，PRPS 模式包含 CIGRE 提出的标准局部放电形式的全部放电信息[16]。图 3 为 GIS 中两种典型故障类型的 PRPS 谱图。
1.4 ∆u、∆u/∆φ 以及∆t 谱图
经学者研究发现，PRPD 模式与 PRPS 模式的构造均与外施电压有着密切的关系，同一故障类型在不同电压下呈现不同的谱图。而在 CIGRE 提出的20多种放电模式谱图中仅有3种形式受外施电压的影响较小，分别为∆u 谱图、∆u/∆φ 谱图以及∆t 谱图。
∆u 谱图表示相邻两个放电脉冲参考电压差∆u 分布特征。学者 Patch 和 Hoof 通过对沿面放电故障进行检测后发现，局部放电的再次发生很大程度上取决于电压梯度而非电压值本身。只有当电压梯度达到某一程度时，才会发生局部放电现象[17]。学者对沿面放电故障施加正弦电压，产生局部放电电场;再在施加的正弦电压上叠加 5 次、7 次谐波，此时电压梯度在 20°~45°和 200°~225°发生了逆变，其产生的电场会抵消原有的局部放电电场，这就解释了该区域范围局部放电消失的原因。
实验表明，由于相邻的局部放电之间不是独立的，每次放电完成后残留的空间电荷会对下一次局部放电发生的幅值产生影响，故构造的∆u 谱图可用来描述空间电荷与外施电场之间的关系。
1.5 局部放电混沌特征模式
目前，学者进行实验研究发现，在时间序列上，局部放电信号具有明显的混沌特征。文献[18]根据局部放电信号的时间序列和由其得到的混沌因子对 5 种油纸绝缘的典型故障进行定性分析，如图 9 所示(Ut 为序列 t 的外施电压差)，各种放电类型的混沌吸引子具有明显的区别。并通过选取局部放电的多种混沌时间序列的相空间重构参数和关联维、 Kolmogorov 熵等混沌特征量作为模式识别的特征参数，采用神经网络进行模式识别。结果表明，采用混沌特征量作为特征参数的识别效果与基于 PRPD 模式识别方法的效果基本一致，若综合使用 PRPD 算子和混沌特征量可以提高识别效果。
2 特征量的提取
在局部放电模式识别中，由于所构造的几种放电模式信息量大，直接对其进行分析识别，难度很高。因此，要对上述的放电模式、谱图进行特征量提取，以达到模式识别的目的。提取能够表征局部放电信号本质的特征量是进行局部放电模式识别的关键，同时特征量提取的优劣将直接影响分类器对故障模式识别的能力。目前常用的特征参数有以下几种。
2.1.2 分形参数
由放电量、放电重复率和放电工频相位构成的局部放电谱图具有复杂的物理特征，而分形理论[24] 是描述复杂系统形态的一门新兴学科，在局部放电模式识别中已得到广泛应用。目前，在分形特征中，常作为特征量的有：盒维数、信息维数、关联维数及空缺率等。其中，盒维数又被称作容量维数，是目前各个领域中应用最广泛的维数。盒维数描述的是某有界图形 D 的几何尺度的信息。信息维数描述的是 D 在平面上分布疏密的信息，而空缺率描述分形集合的密度，反映图像表面密集性的数量。基于局部放电φ −q−n 三维谱图，文献[25]采用面分形维的计算方法求取盒维数，利用盒维数和空缺率两个特征量表征三维谱图，进行模式识别。文献[26]基于三维时频谱图，同样提取盒维数和空缺率两个特征量，可以清楚地区分尖−板放电和尖−尖放电。文献[27]则采用最少盒计数法求取盒维数，提取局部放电灰度图像的盒维数和信息维数作为特征量进行模式识别。
盒维数的求取方法较多，除上述两种外，还有估计分维数的差盒计数法(DBC)[28]、改进差盒计数法(MBC)[29]等。
局部放电的模式特征多样且丰富，由于单一的分维数并不能完全表征分形体，于是学者们提出采用若干个广义维数描述模式特征。文献[9]基于 MDBC(modified DBC, MDBC)法提取原始 Hqn(φ ) 灰度图像的二阶广义分维数、分维数以及高值灰度图像的分维数作为特征量进行局部放电识别。
上述提到的分形特征量的提取均基于φ −q−n 三维谱图及灰度图，而近年来学者们也将小波分析技术与分形理论相结合进而实现局部放电的模式识别。学者在文献[30]中，从尺度变换的角度，研究了小波和分形理论的互补性，并将其应用于局部放电模式识别的研究。文献[31]则将局部放电信号进行小波包分解，使信号变为各个频段的信号，然后计算各个频段的关联维数，并将其作为特征量进行识别。
2.1.3 其他特征参数
除上文中提到的几种常见的基于 PRPD 谱图的特征参数外，矩特征参数及小波特征参数也被学者们应用于特征量提取过程中。
文献[32]对电气设备矩特征进行深入的研究，与三维谱图表列数据相比，矩特征对 3 种绝缘缺陷模型的识别率较高，并且由于特征量相对较少，使得神经网络的输入量减少，训练时间缩短。因此，将矩特征应用于局部放电模式识别，具有良好的辨识效果。而利用小波变换进行模式识别的关键则在于选取合适的小波以及提取能充分利用小波变换提供的时频结构信息。在文献[33]中，学者提出两种利用小波变换提取谱图特征量的方法，一种是利用小波变换得到的子图构造特征向量，并对 10 种放电进行模式识别，另一种是利用小波变换提取有别于传统特征参数的特征参数构成特征量。两种方法的模式识别效果均优于直接提取特征量的方法。
2.2 基于其他谱图的特征参数
学者通过实验分别对比在相位分布、∆u 谱图、 ∆u/∆φ 谱图下提取特征量，对 7 种典型故障类型进行识别的效果。结果表明，∆u 谱图适合于识别自由金属颗粒放电及高压电极的尖刺放电;∆u/∆φ 谱图适于识别固体金属放电;而 3 种方式对低电极的尖刺放电及气隙放电的识别效果均欠佳[34]。文献[35] 则将上述 3 种特征提取方式结合，应用分层技术，可以同时提高识别效率及可信度。文献[36]提取∆t 谱图的特征参量：放电时间间隔均值 μ(∆t)、标准差 σ(∆t)以及熵值 EN(∆t)。学者通过实验对比发现，不同放电类型∆t 谱图之间有明显差异，因此又构造了 ∆t 灰度图盒维数 DB (∆t)以及信息盒维数 DL(∆t)，提取∆t 灰度图的特征参量：小梯度优势 T1、灰度分布不均匀性 T2、灰度平均 T3以及点分布不均匀度 μ1。以上所提取的特征参数与相位无关，因此有效解决现场获取检测对象的准确相位信息较为困难的问题，结合 BP 人工神经网络，实现较高的局部放电识别率。
除上述提取特征参数的方法外，学者提出了一种提取信号能量谱特征的局部放电故障识别新方法。考虑到不同故障的局部放电 UHF 信号在不同频段的能量值存在差异，因此可通过构建能量谱序列进行模式识别。并通过对 5 种典型局部放电缺陷的识别，验证了该方法的可行性[37]。
3 模式识别分类器
分类的目的在于将待识别的故障归类到已知的故障类型中。在模式识别[38]中，常用的分类工具有：隐马可夫模型、专家系统、模糊聚类、神经网络以及一些传统的分类器。在分类过程中，不同类型的分类器存在着各自的特点及不足，选择合适的分类器同样是局部放电模式识别的关键。为了保证选用的分类器能够有效地进行分类识别，理解分类器的几何意义显得至关重要。下文将以神经网络和典型的传统分类器为例，介绍不同的局部放电故障类型“指纹”的边界构成。
3.1 人工神经网络
人工神经网络是在现代生物学研究人脑组织所取得的成果基础上提出的，目的在于模拟人脑神经系统的结构和功能。自提出以来，人工神经网络被广泛应用于模式识别、信号处理等领域[39]，现已成功应用于局部放电模式分类问题。
人工神经网络提供像人脑一样的功能来解决问题：通过范例进行学习。它属于无参数工具，意味着神经网络通常不需要对数据结构作出假设[40]。神经网络由3层相互关联的结构组成，如图10所示：输入层、隐含层和输出层。图中 r 表示输入层个数， s 表示隐含层个数，k 表示输出层个数，wrs 表示输入层与隐含层的一种映射关系，wsk表示隐含层与输出层的一种映射关系。
输入层可能包含许多神经元，在局部放电模式中为提取的特征量。如：Hqn(φ )、Hn(φ )中提取的统计参数可作为输入层。
隐含层是表示神经网络本质的典型结构，不同的网络隐含层也不同。其作用是从现存的数据中提取分类信息。
输出层是根据使用者的需求定义的，在局部放电模式识别中，神经元的输出结果是几种典型的放电故障类型。
相关知识推荐：电气工程领域论文投稿期刊
为了评价神经网络的分类能力，理解他们的分类方法是至关重要的。由于神经网络的种类繁多、分类方式不同，在此仅介绍几种典型的神经网络[41-45]。
3.1.1 BP 神经网络
BP 神经网络是采用误差反向传播(BP)算法的多层前馈网络，网络的输入与输出是一种非线性映射关系。BP 神经网络是通过超平面(二维空间是线，三维空间是平面)来划分数据。隐含层中的神经元构成超平面，一种神经元对应一种超平面。输入层与隐含层之间的权重决定了超平面的斜率和位置。隐含层和输出层之间的权重决定了逻辑函数，而逻辑函数决定了“指纹”位于超平面中的位置。如图 11(a)所示。两种故障类型通过隐含层中的两个神经元来划分，然而这样的分类过程会产生一些问题。如图所示，未知区域 U 被划分为故障类型 B，然而很明显它并不属于故障类型 B。因此在隐含层中需要更多的神经元，用于划分周围空间的故障“指纹”。如图 11(b)所示。图中有 6 个神经元划分“指纹”。然而在一个多维空间中，数据结构是未知的，且估计隐含层的神经元数目是十分困难的。况且，即使有充足的神经元，超平面也可能距故障边界较远。因此未知区域 U 的误判现象仍然会发生，如图 11(b) 所示。值得注意的是，由于神经网络是依靠网络分类原则进行划分的，因此，选取哪种特征量作为输入层的神经元并不是最为关键的。
研究表明，BP 神经网络具有固有的模式分类和良好的噪声抑制能力，因此在局部放电模式识别中得到广泛应用[12,24]。但是，由于其需要训练的样本较多，导致训练时间长;并且采用非线性传递函数，可能会出现多个局部极小值，使其收敛到一个局部极小点，作为最优解。
文献[46]针对上述 BP 神经网络的不足，提出 Adaboost 集成算法，构造出 BP-Adaboost 模型。 BP-Adaboost模型是把传统的BP神经网络作为弱分类器，反复训练 BP 神经网络并输出预测训练数据，计算并调整数据权值，利用 Adaboost 算法将多个弱 BP 分类器构成强分类器，识别效果良好。流程图如图 12 所示。
文献[47]考虑到单一分类器在识别过程中可能存在精度较低的问题，提出采用多分类器融合算法进行模式识别，识别效果明显。
Kohonen 自组织映射算法(SOM)或学习矢量网络属于最小距离分类器[48]。这类分类器是依据未知区域的“指纹”与已知故障之间的最小距离划分的，如图 13 所示。但是，这类分类器同样会产生一些问题。因为当某些未知区域的“指纹”远离参考数据时，“指纹”仍会被划分为某一故障类型，如图 13 所示。只有当明确待识别的“指纹”属于现有故障类型时，使用这些神经网络才是合理的。
针对上述分类器存在的问题，学者们提出径向基(RBF)网络、支持向量机(SVM)网络等，下文介绍另一种常见的人工神经网络：RBF 神经网络。
3.1.2 RBF 神经网络
径向基(RBF)神经网络也是一个 3 层前馈网络，其结构与 BP 神经网络类似。RBF 神经网络同样是通过超平面(二维空间是圆，三维空间是球)来划分数据。如图 14 所示。与上文中的最小距离分离器相比，两者的主要差别在于若未知区域的“指纹”在超平面外，它不会被指定为某类故障类型，而是会提供一个“未知”的答案。
目前，学者在径向基函数的基础上，提出一种在分类能力上与最优贝叶斯分类器等价的概率神经网络分类器(PNN)[49]。PNN 网络由输入层、模式层、求和层以及输出层构成，如图 15 所示(x1—xm 分别为输入层 x1—xm;Y 为输出的结果)。其理论依据为贝叶斯决策理论。学者通过实验，验证了 PNN 分类器比传统的 BP 分类器识别能力高。
在实际应用中，人工神经网络仍存在一些问题。例如：需要确定神经网络学习系数;分类器依赖收敛值;学习训练时间可能较长等。学者们应针对上述问题，优化和改进神经网络，使局部放电的故障能够得到有效识别。
3.2 支持向量机
支持向量机(SVM)是在结构化风险最小原理以及 VC 维理论的基础上构造的一种分类器，属于二类分类模型。与传统的 BP 网络相比，在样本少、特征维数较高的情况下，SVM 具有良好的推广能力。适宜于处理非线性问题，并能解决 BP 网络样本数量大，易于陷于局部极小的问题。
近年来，国内外学者在研究过程中发现，由于支持向量机存在核函数选择必须满足 Mercer 条件、规则化参数选取困难以及对缺失数据敏感等问题，在实际应用中受到一定限制。
学者 Tipping 在 SVM 的基础上，提出另一种基于核函数的分类器，称作相关向量机(RVM)。RVM 核函数并不需要满足 Mercer 条件，并且由于其引入超参数估计，可自动调节规则化系数，解决了 SVM 存在的问题。基于 RVM 在模式识别中优于 SVM 分类器，文献[50]将其应用于局部放电模式识别中，构造一对一多分类 RVM 模型(MRVM)，识别效果均优于 SVM 分类器以及 BPNN 分类器。文献[51] 将降维前后的特征量分别作为多分类 RVM 分类器的输入量，并与 SVM 分类器、BPNN 分类器进行对比分析，结果表明，降维前后 MRVM 的识别效果均高于其他两种分类器。而文献[52]针对 SVM 存在的问题，则提出基于贝叶斯框架的多核多分类器相关向量机(MMRVM)。该分类器核函数不受限制，可以直接实现多分类模型识别。考虑到传统的分类器的输入层通常为单一特征量，不能全面描述局部放电类型特征。学者在文中提取多特征量，作为 MMRVM 分类器的输入，与单核 RVM 以及 SVM 相比，识别率高并且能全面的反映局部放电的本质特征。
3.3 传统分类器
常见的传统分类器有贝叶斯分类器[53]、Parzen 分类器[54]、最近邻分类法[55]、判别式分类器[53]以及等高线判别法[55]等。在使用这些工具时，首先应该计算所提取的特征量的相关参数，如均值、偏差等。其次可利用勾股定理等方法计算未知区域“指纹”的相关参数。通过测得的统计参数可以判断，未知区域的“指纹”是否属于某一故障类型。比如：如图 16 所示，等高线判别法将测得的统计参数以超椭圆面的形式构造成百分制等高线。超椭圆面的大小及形状是由特征量间的标准偏差和相关性决定的[55]。若一个“指纹”落在等高线外侧，如 1%等高线，那么这个“指纹”属于该故障的机率仅<1%，故认为这个“指纹”不属于该故障类型。若“指纹”的特征值与某一故障的均值相符，那么这个“指纹”一定属于该故障。研究表明，该分类器的识别效果良好。但是，该分类器同样存在一定的局限性，仅适用于故障数据是正态分布的情况。针对非正态分布数据，可将其划分为几个正态分布的组合，便不会产生误判的情况。如图 17 所示。若把非正态分布的故障 A 误认为是正态分布，那么等高线判别法会发生误判，如图 17(a) 所示;但若把其划分为多个正态分布的组合，便可避免误判的发生。因此，在分类的过程中，掌握数据结构的相关知识及边界构成的几何原则十分必要。
由于分类器的种类繁多，选择最适合于局部放电模式识别的分类器也是当今学者研究的热点。学者们可以通过对各种分类器性能的评估，如：是否能够提供“未知”的结论;当某些指纹缺失时，是否仍能做出判断;训练时间是否过长等，选取适合故障识别的分类器。
4 模式识别现存问题及发展方向
近年来，学者们根据放电模式提取更多可用于区分故障类型的特征量、针对传统分类器存在的不足，改进优化分类算法等，确实提高了实验中局部放电故障类型的识别率，也检测并识别出现场中的某些故障类型，及时避免了事故的发生。但在更多的现场应用中，对检测到的局部放电信号进行准确的故障类型识别、减少误判的发生，仍然是目前研究的重点及难点。电气设备局部放电模式识别研究虽然近年来取得了一定的进展，但在实际应用中仍存在一些问题需要解决。
4.1 特征提取及分类器选择的发展方向
近年来，学者们从放电模式谱图中，提取反映故障类型本质的新特征量;采用各种智能算法，并在算法的性能方面作了诸多研究。但由于局部放电本身的复杂性、故障类型的不确定性以及实验与现场环境存在的各种差异，目前仍没有某一方法能对故障类型实现准确识别。
在传统模式识别中，特征量的提取往往是在单一的局部放电模式下进行的。而研究发现，基于不同的放电模式，不同局部放电缺陷的识别效果是存在差异的。TRPD 模式对金属颗粒缺陷模型识别效果较差，而 PRPD 模式对气隙缺陷类型识别效果欠佳。因此，学者们提出采用多信息融合技术进行模式识别，并已在变压器故障诊断及 GIS 状态评估领域取得良好的应用效果。
所谓多信息融合技术，就是将来自不同信息源的信息进行综合处理，获得比单一信息源更加准确的估计和判决。系统的信息融合可以分为数据层、特征层和决策层。如图 18 所示。
目前，应用较为成熟的信息融合算法是 Dempster Shafer (DS) 证据理论。它是一种概率统计算法，可以精确的判定故障结果，并能区分未知信息和不确定信息，容错能力强[56-57]。
多信息融合技术最初应用于电力变压器的故障诊断领域。文献[58]利用获取的局部放电信号，构造 Hqmax(φ )、Hn(φ )谱图并提取其统计参数，采用 BP 神经网络进行训练;同时采集局部放电过程中油中气体的特征量，利用 RBF 神经网络进行训练。再将神经网络初级识别后的结果，经 DS 融合模块处理，得到最后的识别效果。流程图如图 19 所示。学者在此基础上，采用二级融合结构，提高识别精确度[59]。文献[60]采用基于多特征组合核支持向量机(CKM-SVM),将分别提取的波形特征参数、统计特征参数、灰度矩及小波包参数，经核函数处理后，再由 CKM-SVM 训练，达到模式识别的目的，结果表明，此信息融合法识别精确度高，具有良好的实用性。在电力变压器的故障诊断中，多信息融合技术不仅可以融合不同的特征参数，还可以合理协调不同分类器获得的证据体之间的信息冲突，有效融合各种分类器的判断结果[61-63]，以实现较高的识别效果。——论文作者：唐志国 1,2，唐铭泽 1,2，李金忠 3 ，王健一 3 ，吴 超 3 ，汪 可 3
转载请注明来自：http://www.lunwencheng.com/lunwen/dzi/21887.html
