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。     

基于自适应小波网络的永磁无刷直流电机直接电压控制

通过分析永磁无刷直流电机的转子位置与三个相电压之间的关系,提出了基于自适应小波神经网络的永磁无刷直流电机无位置传感器控制新方法.该方法根据位置检测原理和微控制器的特点构建一个以三个相电压为输入,桥路编码信号为输出的多输入单输出小波网络模型.网络隐层节点初始个数为零,在训练过程中不断地按照自适应算法添加或删除隐层节点,形成一个结构简单、紧凑的小波网络.采用梯度下降法对网络进行离线训练和在线训练,由离线训练进行参数初始化并确定网络隐层节点个数,以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整.从而由电机的相电压直接映射出电机的换相信号,取代传统的位置传感器,实现无位置传感器的直接电压控制.实验结果表明,该方法能得到准确的永磁无刷直流电机的换相信号.     

两种改进BP算法神经网络滤波的比较

对两种改进BP(Back—Propagation)算法神经网络的滤波进行了比较，通过反复的训练得出两种改进算法在权值调整和误差收敛过程中所遇到的共同点和差别，并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响。     

改进的基于遗传优化BP神经网络的电网故障诊断

BP神经网络具有良好的自学习、自适应和泛化能力,但运算过程中容易陷入局部极小值,同时隐含层节点数的选择也影响着诊断的效果。文中根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数。根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值,可以避免BP神经网络陷入局部极小值的问题。结合两种方法对电网进行故障诊断,实例分析表明该方法可以准确有效地诊断出电网故障位置,提高电网故障诊断的容错性。     

PSD非线性误差校正研究

为了提高遥控导弹攻击的精确度,针对影响其精确度的主要因素是半导体光电位置敏感器件(position sensitive detector,PSD)的非线性,提出基于改进型BP神经网络算法校正某遥控导弹的PSD非线性误差方法。利用LM改进BP算法以及BP算法训练数据时,使用两个隐含层对神经网络进行训练,结果为:两个隐含层的神经元个数分别为38和34;网络的第一、第二隐含层以及输出层采用的激励函数分别为tansig、tansig、logsig;编程设定最大训练次数为500,目标收敛精度为1×10-4;设置训练函数为trainlm。利用未经训练的数据对网络进行测试,该网络的计算输出误差大约在0.01 mm之内,其中最大误差为0.015 mm。理论分析与仿真结果表明,采用该方法后,即使目标发生机动,遥控导弹也能正确攻击到目标。     

基于神经网络的距离保护训练算法的研究

对神经网络式距离保护做了简要概述,并且为了使该新型保护更加完善,对其存在的训练算法问题做了深入的研究。对8种改进的BP(Back-Propagation)算法训练神经网络进行了比较,通过反复训练,得出8种算法在权值调整和误差收敛过程中所遇到的共同点和差别,并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响。实验证明:LM算法和尺度共轭梯度反向传播算法训练网络收敛速度快,受权值影响小,但占用较大的内存;贝叶斯正则化算法有较好的泛化能力。     

基于神经网络的距离保护训练算法的研究

对神经网络式距离保护做了简要概述,并且为了使该新型保护更加完善,对其存在的训练算法问题做了深入的研究.对8种改进的BP(Back-Propagation)算法训练神经网络进行了比较,通过反复训练,得出8种算法在权值调整和误差收敛过程中所遇到的共同点和差别,并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响.实验证明:LM算法和尺度共轭梯度反向传播算法训练网络收敛速度快,受权值影响小,但占用较大的内存;贝叶斯正则化算法有较好的泛化能力.     

反向传播算法运用于电力系统神经网络的分析研究

着重研究了神经网络模型中的反向传播算法即BP算法，并对电力系统中两个 一次结线特殊的厂站的检修批答神经网络建立了BP模型，分析了BP算法中 初始权值、学习因子、冲量因子、隐含层数和隐含层节点数对该神经网络学习 过程的影响，实验结果证明，适当地选择初始权值、学习因子、隐含层节点数 等可以大大提高神经网络的学习速度,减少迭代时间，满足电力系统神经网络在线 学习的要求。     

一种改进的遗传优化策略在电机故障诊断中的应用

依据神经网络和遗传算法的特点,本文提出了利用遗传算法(GA)优化神经网络,将二者有机的结合起来,建立故障诊断的优化模型(GA—BP)网络,在遗传算法中放弃传统的轮盘赌,采用一种叫锦标赛的选择策略并改变迁移策略来进行遗传算法,优化BP网络的初始权值和阈值。以各种原始资料和现场实录资料作为训练样本,首先进行遗传算法的运行,得到了优化的权值和阈值,作为BP网络的的初始权值和阈值,接下来通过BP网络训练样本,实现BP网络学习的目的,建立样本(作为输入变量)与实际故障类型(作为目标变量)之间的潜在联系。最后用测试样本对GA—BP网络进行测试,检验表明用改变选择策略并改变迁移策略的遗传算法来优化BP网络的诊断正确率明显得高于未进行优化BP网络,不仅能发挥神经网络的泛化映射能力而且诊断速度也有提高,有较强的学习能力。     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

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     

一种改进果蝇算法优化神经网络短期负荷预测模型

在神经网络的训练过程中,由于随机初始化网络参数使得算法收敛速度慢、容易陷入局部极值,因此,本文提出了一种改进果蝇优化算法(IFOA)用于优化神经网络的初始连接权值和阈值,以实现全局优化。首先采用在BP神经网络中加入从输入到输出的连接的网络(BPNN-DIOC,直连BP神经网络),减少隐含层所需的神经元个数,降低网络在训练过程中调整的参数个数和加快网络训练速度,以提高电力负荷的预测精度和网络的泛化能力。然后综合IFOA和BPNN-DIOC,构建了基于IFOA优化BPNN-DIOC的负荷预测模型。最后,为了验证本文模型的有效性,以AEMO中新南威尔士州2105年9月份的数据为例进行了仿真测试,IFOA-BPNN-DIOC模型的预测平均绝对误差百分比为0.6357%,均方根误差为0.0118,并将该结果与本文其它模型的预测结果进行比较。结果表明,本文模型是一种更加有效的短期负荷预测方法。     

基于隐层优化算法的模糊BP网变压器故障诊断

针对变压器故障诊断BP网络隐层节点数过少或过多造成的学习过程不收敛、网络范化能力弱等问题，文章采用隐层优化算法，给出了合理的网络结构，并在此基础上训练网络，给出实例验证了该算法的有效性。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。     

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IA-BP神经网络的UWB室内定位系统

复杂的室内环境给定位系统带来非视距误差和多径干扰,消除或降低误差成为超宽带(UWB)室内定位研究的热点。提出一种基于IA-BP神经网络的UWB室内定位方法,将BP神经网络训练的误差值作为免疫算法计算亲和度的抗原,通过免疫算法寻得BP神经网络的最优权值和阈值,避免BP神经网络收敛速度较慢和容易陷入局部最优值的问题,达到定位误差较小的目的。仿真实验结果表明,IA-BP神经网络训练100个样本输出的最大归一化误差不超过0.02,以3个锚点构成的定位场景中,待定位节点的仿真输出轨迹与实际运动轨迹基本吻合。