基于Root-MUSIC和Adaline神经网络的 间谐波参数估计

为了提高电力系统间谐波分析的精度和分辨率,提出基于求根多重信号分类法（root-MUSIC)和自适应线性神经网络的间谐波参数估计方法.该算法利用求根多重信号分类法估计信号中谐波和间谐波的个数及频率,将谐波和间谐波的频率作为Adaline神经网络的输入进行学习,用得到的权值确定谐波和间谐波的幅值和相位;将频率作为权值在改进的Adaline神经网络中参与学习,估计谐波和间谐波的频率、幅值和相位.Matlab仿真结果表明,该算法频率分辨率高、检测准确、收敛快;当频率估计准确时,基本Adaline神经网络与改进的Adaline神经网络具有相近的检测精度,且前者的实时性更好.     

基于神经网络算法的电力谐波分析方法的研究

目前常用的谐波分析算法存在着计算精度低,计算量大等缺点,本文提出并研究了一种基于傅立叶基神经网络的谐波分析方法.利用傅立叶基神经网络模型进行谐波分析可以有效地提高神经网络的收敛速度和计算精度,减小了计算量.并通过仿真,验证了利用该算法进行谐波分析可快速获得电力系统的基波及各次谐波高精度的幅值和相位.     

基于神经网络算法的电力谐波分析方法的研究

目前常用的谐波分析算法存在着计算精度低、计算量大等缺点,本文提出并研究了一种基于傅立叶基神经网络的谐波分析方法.利用傅立叶基神经网络模型进行谐波分析可以有效地提高神经网络的收敛速度和计算精度,减小了计算量.并通过仿真,验证了利用该算法进行谐波分析可快速获得电力系统的基波及各次谐波高精度的幅值和相位.     

基于神经网络的自适应相位纠偏器在电液伺服系统中的应用

针对电液伺服系统正弦响应中存在相位滞后的现象,基于Adaline神经网络,使用LMS自适应滤波算法设计了自适应相位纠偏器(APC)。当响应信号对输入信号有相位滞后时,利用LMS算法对神经网络的权值进行调整,经加权后的输入信号作用于控制系统,从而消除相位滞后。该方法并不需要对控制对象进行辨识,能保证控制系统的实时性。仿真和试验结果表明,自适应相位纠偏器能有效消除相位滞后,快速跟踪输入信号。     

动量法改进的BP神经网络及其在疲劳裂纹预测模型中的应用

BP神经网络是人工神经网络中的一个典型代表,分析了BP神经网络算法收敛速度慢的原因,研究了一种提高其收敛速度的方法,即将动量法和批处理方法结合起来对BP算法进行改进。建立了低碳钢疲劳裂纹神经网络预测模型,并将改进后的算法应用在模型中,结果表明改进后的算法可以提高学习速度,提高仿真测试结果可靠性。BP神经网络是描述疲劳裂纹演化行为的有效工具,并且可以取得较好的预测精度。     

RPROP神经网络的电力系统谐波分析

将RPROP(Resilient Propagation)神经网络运用到电力系统的谐波分析中,能够提高其精度以及速度.与BP(Back Propagation)不同,RPROP算法能够调整可变参数,因此能够避免一阶偏导数幅值信息对参数调整的影响,并且能够提高谐波分析的精确度以及收敛速度.通过对RPROP神经网络与BP神经进行比较,验证了基于RPROP神经网络的电力系统谐波分析具有的高精度以及收敛速度快等特点.     

基于神经网络算法的谐波参数估计

研究基于神经网络算法的谐波参数估计方法.采用递推最小二乘法(RLSM)作为学习算法,提高神经网络的收敛速度并避免局部极小问题.为验证该算法的有效性,给出利用该算法进行间谐波分析的仿真实例.仿真结果表明,提出的间谐波分析方法具有计算精度高、训练速度快的特点,因此在电力系统间谐波分析中具有较大的应用价值.     

BP神经网络算法的改进及在Matlab中的实现

分析了BP神经网络算法收敛速度慢的原因，研究了一种提高其收敛速度的方法，即将动量法和批处理方法结合起来对BP算法进行改进，提高学习速度，并给出了算法思想，用Matlab神经网络工具箱对神经网络进行了初始化和训练，仿真测试结果证明该方法是可行，具有实用性。     

基于神经网络的滞变结构在线识别

提出了一种适用于滞变结构的神经网络在线识别方法。通过对非线性滞变模型的适当变换，采用Adaline模型和LMS学习机制来实现对该模型的在线识别。数值模拟结果表明了该方法的有效性和实用性。     

Adaline神经元网络及训练方法的C 仿真实现

以C 类的形式对Adaline神经元进行仿真实现.通过引用所定义的Adaline神经元类实现单层和多层神经元网;通过对神经元类的操作可以在内部对组成网络的神经元进行自动计算;最后采用Adaline收敛规则和最小均方规则2种方法实现对神经元的训练.在所给程序基础上,还可实现其它具有不同层次数目神经元网络的仿真.