基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。     

基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数（Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断地按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射，直接控制功率开关的通断，实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权：最后，用数字处理器(DSP)实现在线控制算法。实验结果表明，该控制方法具有较高的鲁棒性和控制精度。     

基于RPROP算法的变压器油中溶解气体分析故障诊断

在分析BP算法和RPROP(振荡传播)算法原理的基础上，指出了RPROP算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点，并分析了原因。将RPROP算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断，给出了网络模型，分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明，RPROP算法的收敛速度快于BP算法、加动量项BP算法，并且具有较高的诊断准确率，是一种有效的方法。     

基于生长-修剪优化RBF神经网络的电能质量扰动分类

针对电能质量扰动分类算法中径向基函数(radial basis function,RBF)神经网络隐层神经元的中心点数量、中心点位置、宽度、输出权值的设置问题,提出一种基于网络生长-修剪算法(GAP)的RBF神经网络电能质量扰动分类算法。首先,建立电能质量扰动模型,采用GAP算法实现对RBF神经网络的结构参数优化,设计相应的电能质量扰动分类算法流程图;其次,利用广义S变换、特征值提取、GAP-RBF神经网络对8种电能质量扰动进行处理。通过仿真分析,验证GAP-RBF神经网络对隐层神经元的参数优化能力,并给出优化算法的参数设定范围;仿真和实验结果表明,与同类算法相比,所提算法在保证分类准确度的前提下减少了隐层神经元的数量,且实现了RBF神经网络的参数自优化和继承式学习。     

基于拉盖尔模拟神经网络的过热汽温直接自适应控制系统

提出一种Laguerre(拉盖尔)模拟复合正交神经网络并应用于电厂过热汽温的直接自适应控制。模拟神经网络被作为直接自适应控制器,这种单隐层正交神经网络是基于Laguerre复合正交多项式函数,并具有在线连续学习的简单算法,且学习算法与被控对象模型无关。由于采用3层网络结构,输入层与隐层之间不用权值调整,在学习算法中只要在输出层与隐层之间寻找最佳权值,因此网络学习速度较快。网络隐层节点(处理元)是Laguerre多项式展开项,展开项的多少决定着网络的学习速度和精度。通过对具有严重参数不确定性、扰动以及大迟延的电厂过热汽温被控对象进行仿真研究,结果表明控制系统性能优于常规的PI控制系统。     

基于小波过程神经网络的短期风速预测

针对风速序列非线性和非平稳性的随机性特点,提出了基于小波过程神经元网络的短期风速预测方法.首先利用相空间重构理论,计算出风速时序的最佳嵌入维数作为网络的输入层节点数,根据小波神经网络的经验公式来选取网络隐含层的节点数初始值,通过调整参数使网络误差达到最小值,得到合适的隐层节点数,并给出相应的学习算法.算例仿真结果表明所提预测方法的可行性,运用本方法与时序ARMA模型对比,其预测结果的精度明显提高.     

基于免疫聚类径向基函数网络模型的短期负荷预测

提出了一种免疫聚类径向基函数神经网络（ICRBFNN）模型来预测电力系统短期负荷。在ICRBFNN的设计中，根据共生进化和免疫规划原理，提出了共生进化免疫规划聚类算法，该算法可以自动确定RBF网络隐层中心的数量和位置，并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明，与传统的径向基函数神经网络（RBFNN）预测方法相比，ICRBFNN方法具有更高的预测精度和更短的训练时间。     

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进：首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。     

基于小波神经网络的火电单元机组负荷系统建模仿真研究

火电单元机组是一种复杂的多变量对象，常规方法难以建立它的非线性数学模型。该文利用一种多输入多输出的连续小波神经网络对单元机组负荷数学模型建模问题进行了研究。网络隐层采用框架小波函数，输出层采用线性函数，采用BP算法对网络进行训练，并利用自适应的学习速率和动量参数加快网络训练的收敛速度。网络的训练结果和测试结果均表明，小波网络输出值与实际模型输出值之间的误差在允许范围内，小波神经网络可以较好地逼近单元机组负荷数学模型。     

充油电气设备油色谱故障诊断ANN方法的性能优化

为了提高基于人工神经网络(artificial neural network,ANN)方法的充油电气设备油色谱故障诊断的准确性,对油色谱故障诊断中ANN的参数优化问题进行系统研究。基于搜集得到的大量故障特征气体数据,构建多层前馈ANN系统,研究训练算法、隐层神经元数量、训练目标、隐层和输出层神经元激活函数对训练性能和诊断准确率的影响。结果表明:训练目标一致时,8种不同算法训练得到的ANN具有相近的故障诊断准确率,建议选择其中速度最快的Levenberg-Marquardt算法来训练ANN;隐层神经元数量在一定范围内对故障诊断准确率影响不大;随训练目标(均方误差)的减小,训练时间增加,诊断准确率先增大后减小,建议均方误差选择0.01;隐层神经元激活函数选择线性函数时网络训练不易收敛,建议选择sigmoid函数。     

基于LabVIEW FPGA的音圈电机神经网络控制方法

音圈电机是一种常用的高动态性能驱动器。为了优化、简化不同音圈电机的控制算法调试过程,提出了一种基于LabVIEW FPGA的改进RBF神经网络控制算法。该网络采用3-输入的3层网络结构,通过梯度下降法对隐含层权值系数更新,实现对音圈电机的电流环控制。仿真结果表明,随着隐含层节点数增加,RBF神经网络控制算法性能将优于单神经元自适应控制算法。当隐含层节点数为6时,系统电流上升时间为14μs,相对于单神经元自适应控制缩短了26.3%。将该算法用于激光精密指向系统,实验结果表明,隐含层4节点时,电流上升时间为25μs。实验结果与仿真结果较吻合,验证了RBF神经网络算法的有效性。     

Double Pruning Structure Design for Deep Stochastic Configuration Networks Based on Mutual Information and Relevance

Deep stochastic configuration networks (DSCNs) produce redundant hidden nodes and connections during training, which complicates their model structures. Aiming at the above problems, this paper proposes a double pruning structure design algorithm for DSCNs based on mutual information and relevance. During the training process, the mutual information algorithm is used to calculate and sort the importance scores of the nodes in each hidden layer in a layer-by-layer manner, the node pruning rate of each layer is set according to the depth of the DSCN at the current time, the nodes that contribute little to the model are deleted, and the network-related parameters are updated. When the model completes the configuration procedure, the correlation evaluation strategy is used to sort the global connection weights and delete insignificance connections; then, the network parameters are updated after pruning is completed. The experimental results show that the proposed structure design method can effectively compress the scale of a DSCN model and improve its modeling speed; the model accuracy loss is small, and fine-tuning for accuracy restoration is not needed. The obtained DSCN model has certain application value in the field of regression analysis.     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

基于最小二乘法的多层前向神经网络构造学习算法

提出了一种基于最小二乘法的多层前向神经网络构造学习算法．神经网络的结构在学习的过程不断变化,通过动态生成节点和学习误差反向传递,利用最小二乘法实现神经网络的快速学习．仿真结果表明,该学习算法具有学习速度快,学习精度高,泛化能力强等优点     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

融合粗糙集和神经网络的变压器故障诊断

为提高变压器故障诊断的准确性,进行了利用粗糙集和神经网络来诊断变压器故障的研究。首先将连续属性的决策表离散化,部分属性采用基于油中溶解气体分析知识的方法离散化,部分属性采用自然算法和等频划分算法离散化;然后用粗糙集属性约简方法对离散后的决策表进行属性约简以获取最小决策表,约简后的最小决策表反映了变压器油中溶解气体的5种比值与故障的关系,是对IEC三比值法的扩展;最后用最小决策表训练BP神经网络,并用测试数据对训练后的BP神经网络进行检验。结果表明该方法比IEC三比值法有更高的故障判断准确率,结合粗糙集和神经网络诊断变压器故障可约简变压器故障诊断决策表,简化神经网络的结构,提高故障诊断的准确率。     

Chromosome classification using backpropagation neural networks

The feasibility of an artificial neural network as a chromosome classifier was examined in this study, using the relative length, the centromeric index, and the density distribution of G-banded chromosome as feature vectors. The two-layer neural network trained with the error backpropagation training algorithm showed good potential in classification of Giemsa-banded human chromosomes. The minimum classification error was obtained with the configuration that had 27 input nodes and 24 PEs in the hidden layer. However, this study also showed some problems. Only two experiments, which had 25 and 50 density distribution samples, respectively, were carried out, due to the long computation time of the backpropagation neural network. Also, the centromere finding algorithm used in this study could not apply to telocentric chromosomes (group D and group G) because of their very small short arms; their centromere locations were determined manually. The algorithm must be modified so that it can be applied to all types of chromosomes to reduce the preprocessing time. Better training algorithms to reduce training time are needed. The error backpropagation training algorithm requires very long training times. Next, finding the optimal number of input nodes that gives the minimum classification error requires a trial and error experiment. Finally, other chromosome features that reduce the classification error need to be examined     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。