神经网络法产生隶属函数通常，确定模糊隶属函数存在相当多的人为因素，致使人为确定的隶属函数不能准确反映模糊概念。为克服这一不足，文中采用径向基函数RBF神经网络生成隶属函数，实现模糊量化。

　　径向基函数神经网络RBF神经网络具有较强的非线性函数映射能力，且收敛速度优于BP网络。另外，RBF网络隐层神经元传递函数通常取高斯核函数形式，可作为被测量的模糊数分布函数。对于每个状态参量，可用1个子网络产生其隶属于相应模糊子集的隶属度。获取n个状态参量隶属函数的RBF神经网络结构模型如所示。

　　训练样本库文中采用高斯核函数分布函数获得标准输入输出模式，建立网络学习样本库。状态参量隶属函数分布如示。中μ（x）为隶属度函数，xi为状态参量。对应不同的xi，其取值范围不同，高斯核函数中心c1，c2，c3的取值也不同。状态参量隶属于‘正常，Normal’、‘偏高，Medium’和‘过高，High’3个模糊概念的隶属度函数表达式为μN（xi）=1xic1μM（xi）=exp（-（xi-c2）2σ2）μH（xi）=exp（-（xi-c3）2σ23）xi>c31xi　　文中把各模糊量化子网络输出作为模糊推理网络的输入模式，确定相应标准输出模式。反复训练网络，实现模糊推理。可见，用输入输出数据对获取模糊蕴涵关系是具有普遍意义的。判断变压器绕组热点的推理网络模型如示。

　　结论本文把模糊神经网络技术应用于分析变压器绕组热点研究领域。把神经网络和模糊集合理论有机结合，构造智能神经模糊传感器系统，以解决测试绕组热点中存在的不确定性问题，给出绕组热点状态的语言描述，实例分析表明该方法是行之有效的。

　　另外，变压器绕组过热大都是局部性的，如绕组引出线焊接点焊接不良、分接开关接触不良、匝间局部短路等引起绕组热点温度过高。如何准确地判断出绕组局部热点的具体位置，是进一步研究的重要课题。