神经网络技术在电力系统中的应用举例.docx

上传人:b****7 文档编号:9417049 上传时间:2023-02-04 格式:DOCX 页数:22 大小:257.97KB
下载 相关 举报
神经网络技术在电力系统中的应用举例.docx_第1页
第1页 / 共22页
神经网络技术在电力系统中的应用举例.docx_第2页
第2页 / 共22页
神经网络技术在电力系统中的应用举例.docx_第3页
第3页 / 共22页
神经网络技术在电力系统中的应用举例.docx_第4页
第4页 / 共22页
神经网络技术在电力系统中的应用举例.docx_第5页
第5页 / 共22页
点击查看更多>>
下载资源
资源描述

神经网络技术在电力系统中的应用举例.docx

《神经网络技术在电力系统中的应用举例.docx》由会员分享,可在线阅读,更多相关《神经网络技术在电力系统中的应用举例.docx(22页珍藏版)》请在冰豆网上搜索。

神经网络技术在电力系统中的应用举例.docx

神经网络技术在电力系统中的应用举例

神经网络技术在电力系统中的应用举例

目录

目录I

1人工神经网络简介1

2人工神经网络在电力系统中的应用1

2.1故障诊断1

2.1.1变压器故障类型的划分1

2.1.2 基于聚类分析的组合神经网络模型2

2.1.3故障诊断3

2.2智能控制4

2.2.1基于神经网络的励磁控制4

2.2.2神经网络用在火电厂循环水PID控制4

2.3继电保护5

2.3.1系统模型5

2.3.2继电保护系统故障诊断原型6

3.3.3算例6

2.4负荷预测7

2.4.1BP网络及其改进算法7

2.4.2GA和BP算法的结合8

3结束语8

参考文献8

1人工神经网络简介

人工神经网络(ANN)是二十世纪80年代中后期世界范围内迅速发展的一个前沿研究领域,是一门高度综合的交叉学科,它的研究和发展涉及神经生理科学、数理科学、信息科学和计算机科学等众多领域。

人工神经网络是模拟人脑组织结构和人类认知过程的信息处理系统。

它由人工模拟的大量简单的神经元以一定的方式连接而成,单个人工神经元实现输入到输出的非线性关系,它们之间的连接组合使得人工神经网络具有复杂的非线性特性。

人工神经网络具有很强的自组织、自学习能力。

它通过现场大量的标准样本学习与训练,自动调整各神经元之间的连接权和阀值,使获取的知识隐式分布在整个网络上,并实现人工神经网络的模式记忆。

和其他信息处理方法相比,人工神经网络具有诸多优点:

强大的知识获取能力和信息容错能力;学习能力强,可以实现知识的自组织,适应不同信息处理的要求;神经元之间的计算具有相对独立性,便于并行处理,执行速度快。

正是由于人工神经网络有极强的非线性拟合能力和自学习能力,且具有联想记忆、鲁棒性强等性能,使人工神经网络对于电力系统这个存在着大量非线性的复杂大系统来说有很大的应用潜力,很多难以列出方程式或难以求解的复杂的非线性问题,应用人工神经网络方法则可迎刃而解。

2人工神经网络在电力系统中的应用

2.1故障诊断

目前神经网络用于电力系统的故障诊断,主要集中在对电网的故障处理。

电网中的每一类故障都会产生一组警报信息,不同类别的故障具有不同的警报组合。

因而可以将警报处理和故障诊断表示为模式识别问题,这样就适用于人工神经网络来进行处理。

用人工神经网络进行故障诊断的基本原理是:

将故障警报信息进行数字量化作为神经网络的输入量。

神经网络的输出量代表故障诊断的结果。

首先对神经网络进行训练学习,即将特定故障对应的警报模式作为样本,建立较全的样本库,然后用所有的样本对神经网络进行训练,这样就可以将样本库的知识以网络的形式存储在神经网络的连接权中,最后通过神经网络输入量计算就可以完成故障诊断。

故障诊断中神经网络所采用的模型大多为反向传播算法(BP)模型,这主要是由于对BP模型的研究比较成熟,使用比较可靠。

文献[1]较早提出了用BP进行警报处理和故障诊断方法。

该方法将警报信息作为神经网络的输入量,故障作为神经网络的输出量,用于识别电网发生的故障,这种方法的缺点是不能用于大规模系统。

除电网故障诊断外,人工神经网络还被应用于电力系统设备的故障诊断,包括变压器、发电机、电缆、断路器、绝缘子等。

现在以变压器为例,讲人工神经网络在电力系统变压器故障诊断中的方法。

目前,聚类分析方法引入到DGA技术中,它依靠故障数据的特点来划分故障类别,这种故障空间划分方式具有积极意义,在实际应用中取得了较好的效果4。

然而直接利用聚类方法进行故障分类也出现了一些问题,如聚类结果受样本点的数量、聚类准则等多种因素影响;且其以最近类样本作为诊断结果,并不能给出完全确定性的结论。

同时,树思路的引入,组合神经网络方法的提出,使分层次的、逐步细化的故障识别成为可能5。

可是这些工作都以三比值法为基础,仍难以避免对维修缺乏指导的缺点。

因此,本文以按照部位划分故障的方法为基础,针对已积累的故障变压器的大量溶解气体数据,考察了各类故障的气体特征及聚类结果,并在此基础上构建组合神经网络,实现对故障由粗到细的逐级划分,以提高诊断的有效性。

2.1.1变压器故障类型的划分

表1中列出了13种变压器常见故障。

这种划分方式具有划分细致、有利于维修等优点。

可是进一步考察各类故障的溶解气体数据,发现这种划分也存在缺陷。

一方面,某些类的故障气体数据不具有统一的特征。

如“与放电源的位置等关系紧密,其特征量不具有一致的规律。

再如,虽然“分接开关烧损”的特征气体数据绝大多数表现为过热性特征,却有少量数据的乙炔含量很高。

另一方面,有时故障发生机理和部位相异,其气体特征也可能相似。

如“油中气泡引发局部放电”和“绝缘进水受潮”的溶解气体的特征就很相近。

因此,本文对表1的分类方法作了改进。

首先,取消“悬浮放电”类别,按照悬浮体的特点归并入其他类别。

其次,依据统计学方法将“分接开关”故障样本中少量乙炔含量异常高的样本剔除。

这样便形成了以表1为基础的12类变压器故障类别。

2.1.2 基于聚类分析的组合神经网络模型

本文提出的组合神经网络的特点是:

根据12类故障在特征气体空间的聚集形态,将一些接近的类别暂先合并为过渡类别,使用组合神经网络先粗分,然后再对过渡类别细化识别。

这种逐级细化的工作方式,使辨识更为有效。

采用分层聚类分析可以明确给出在一定聚类相似度水平上样本间的分组情况,因此,可以依据对12类故障特征气体数据的分层聚类结果组织网络的模型。

表1 变压器常见故障类型

序号

故障类型

F1

围屏放电

F2

匝间短路(高压绕组匝间击穿或低压绕组变形)

F3

引线对地放电或发生闪络

F4

油流带电

F5

有载分接开关箱渗漏油

F6

铁心局部短路或多点接地

F7

结构件及磁屏蔽体中漏磁引起的过热

F8

分接开关接触不良

F9

绕组引线接触不良

F10

过负荷或冷却不良引起的绕组过热

F11

油中气泡引发局部放电

F12

进水受潮

F13

悬浮电位体(磁屏蔽、夹件及分接拨叉等)感应放电

1)分层聚类分析

进行分层聚类分析首先需确定距离和相似性的度量方法,然后再依一定的算法进行聚类。

本文中采用了欧氏距离计算样本间距离,在确定两个类之间相似性时经过如下比较后,选用最远距离法。

(1)为最远距离法,式

(2)为最近距离法,式(3)为均值距离法,它们之间的差别在于选用哪两个样本间距离作为两类间的距离。

最近距离法选用以最近的样本间距离作为类间距离,而最远距离法选用最远的样本。

其中

i,

j——两个聚类

y,

——

i,

j的样本

mi,mj——

i,

j的特征值

——所选的经历计算方法

比较最近距离法和最远距离法可知:

采用最近距离法的聚类算法实际上是一个生成最小生成树的过程。

其缺点在于,如果在两个各自密集的点集间存在一些位置靠近的点的路径时,就可能把本应分属于两个类的点集聚集成一个类;而最远距离法可看成是产生一个图的过程,图中同一个类的结点都是用棱线联接起来的,即每个类构成一个完备子图,它对类中远离点的情况反映较为灵敏;均值距离的效果则介于上述二者之间。

所以使用最远距离法,可以更好地按距离由远及近原则,实现对12类故障典型样本逐级分离的目的。

在确定了相似性度量方法后,具体的分层聚类算法如下:

初始时设置

j=yj,

j属于I,I={j|j=1,2,…,N}。

这里

j是各个聚类集合,N是样本数,即初始时设每一样本为一个类。

步骤1:

在集合{

j|j

I}中找到一对满足条件:

的聚类集合

其中

之间的相似性度量。

步骤2:

并入

,并去掉

步骤3:

把i从指标集I中除掉,若I得基数仅等于2时,则终止计算;否则转向步骤1。

2)变压器故障识别组合神经网络的建立

首先收集761例结论明确的故障,取H2、CH4、C2H6、C2H4、C2H2为特征气体。

以各气体占总量的百分比为特征量,建立12种故障的样本集,并将其按表1所示分成两组,分析中以529例的训练集为已知故障样本,以232例的检验集为未知待验样本。

首先利用训练样本集考察样本间的相似性:

求取各类故障样本的平均样本,以平均样本作为该类故障的典型代表,对其进行分层聚类,并以树形图的方式显示每一步被合并的类别。

图1是对12类故障的平均样本进行分层聚类的树形图。

图1行分层聚类的树形图

其中F1到F12故障代号。

该图将各类之间的距离转换成0~25间的数值,显示了一定距离水平下各类故障的聚集情况。

从图中可见,首先由“油中气泡放电(F11)”和“绝缘进水受潮(F12)”组成的过渡类与其余故障组成的过渡类间的距离最大(距离转换值为25),其次,显示了另一个水平上的分离结果:

F7、F9、F10、F6、F8与F2、F3、F1、F5、F4;然后,依次类推;最后,得到了有关12类故障相似性的信息。

图2变压器故障识别的组合神经网络

依据这样的相似性信息,建立如图2的组合神经网络。

其中各节点分别由一定的规则和反向传播(BP)神经网络构成。

规则0为《电力变压器检修导则》规定的DGA结果的“注意值”,用来判断变压器属于“正常老化”(A0)还是“存在异常”。

ANN1~ANN332为BP网络,其特征量和分层聚类时的相同,经过独立的训练集的学习形成各自的规则。

2.1.3故障诊断

表2列出了组合神经网络对12类变压器故障的识别结果,同时也给出了利用单层BP网络的识别结果。

比较两者可知:

采用单层神经网络的正判率仅有32%,而基于聚类分析的组合神经网络的判断正确率可达75%,远较单神经网络模型为优,基本达到现场应用

可以接受的水平。

另外还发现通过组合网络识别故障的工作进行到一定层次时,对于相近故障的识别率很难进一步提高。

虽然采用将故障间特征量差异增大的方法可使问题有所改善,可是结合其他测试手段进行故障的综合判断才是弥补DGA方法缺陷的更好途径。

如对“油中气泡放电(F11)”和“绝缘受潮(F12)”,在组合网络的第二层进行区分时,识别率就较低,很难利用DGA进一步提高识别率。

如果结合介质损耗因数、电容量以及绝缘电阻等电气试验的分析,此问题将很容易得到解决。

将电力变压器故障划分为12类。

利用聚类方法分析故障的相似性,并依据此相似性构造组合神经网络,运用于变压器的故障识别。

得到的结论和建议如下:

(1)分析了基于DGA的故障诊断中不同故障空间划分方法的特点,重点讨论了按故障发生部位的划分方法及其意义。

考察了常见故障变压器的油中溶解气体特点,对故障划分方式进行了必要的改进,将变压器故障划分为12种类别。

(2)通过聚类分析提供有关故障特征气体空间划分方式的基本信息,以BP网络为基本单元模块,构造组合神经网络模型,进行变压器故障识别。

组合网络的几何结构体现出故障在特征气体空间的聚集特点,使识别过程更加合理。

组合网络克服了单层神经网络模型结构复杂和学习难于收敛等不足,也使故障分析的准确度大为提高。

(3)由于DGA方法在变压器故障识别中存在的一定局限性,充分了解该方法以及其他试验方法对不同故障的识别能力,开展故障的综合分析工作很有必要。

 

表1单层网络和组合网络对12类故障的识别情况

2.2智能控制

神经网络在电力系统应用比较十分广泛,像神经率,提高电力系统的稳定性,还用神经网络用在火电厂循环水PID控制等诸多方面。

2.2.1基于神经网络的励磁控制

励磁控制是控制发电机端电压和无功功率的重要组成部分,是重要的实时连续控制系统,对维持电力系统的稳定性起主要作用,完成该功能的部分又称为电力系统稳定器(PSS)。

由于大容量机组的投入和快速励磁系统的应用,系统的动态稳定性问题愈来愈突出,应用4层BP网络对发电机运行方式和系统干扰进行精确在线识别,并以此为基础设计一种最优励磁调节器模型,这种调节器比固定点线性励磁方式具有更强的稳定性能和较好的动态品质。

采用改进型神经网络由2个子神经网络综合构成:

一个是应用递推最小二乘算法的线性神经网络;一个是应用动态BP算法的动态递归网络。

对基于相控整流直流传动系统的自适应控制实现策略的进行仿真,结果表明该自适应控制器性能好于传统的PID控制器。

基于人工神经网络的自适应励磁控制和动态电阻制动的综合控制器,线路故障失去700MW电源时,稳定控制切换负荷误差小于0。

5MW的比例达到81。

5%,最大误差在2~3MW之间的仅为1%,显示了较好的控制特性。

2.2.2神经网络用在火电厂循环水PID控制

神经网络在各行各业的PID控制领域都应用的很广,像火电厂循环水控制系统也会用到。

随着火力发电厂的生产过程经济性方面要求的提高,必须走节能降耗,提高效益之路,从而蓬勃发展起来的变频调速技术和智能优化控制技术将对火力发电厂节能降耗和改善工艺控制,起到无与伦比的巨大作用,利用先进技术来改造传统生产工艺过程是实现经济增长方式有效转变的途径之一。

根据汽轮机经济运行规律,提高凝汽器真空可以提高汽轮机出力,但必然要消耗大量的循环水量,进而消耗大量的厂用电量。

在这二者之间,存在一个最佳点,有节能优化运行的可能。

而且循环水系统的功耗占主机容量的4%左右,研究循环水泵变频调速优化运行有十分重要的社会和经济价值。

目前国内外在提高循环水运行效率方面的研究和工程实践十分活跃,围绕如何维持汽轮机的最佳真空度、如何维持循环水系统运行压力、如何合理组织循环泵站运行进行了大量相关的理论研究试验。

这些研究主要集中于汽轮机的最佳真空度与循环水流量之间的关系、循环水系统运行压力与真空度之间关系,以及利用变频器进行循环水流量调节等方面。

在火电厂循环水控制系统中,通过调节循环水流量来维持凝汽器真空在定值。

被控对象的输入u(k)为循环水流量,被控对象的输出yout(k)为凝汽器的真空度,被控对象的期望输出rin(k)为汽轮机的最有利真空Pee。

Pee是通过对蒸汽负荷、冷却水入口温度和冷却水水量的计算分析确定。

图3RBF网络整定PID控制框图

基于RBF神经网络整定的火电厂循环水PID控制步骤如下:

(l)确定RBF网络的结构。

网络的结构选为3-6-1,即输入层3个节点,隐含层6个节点,输出层1个节点。

网络的3个输入分别为:

△u(k),yout(k),youtk(k-1)。

(2)通过对蒸汽负荷、冷却水入口温度和冷却水水量的计算分析确定汽轮机的最有利真空rin(k),采样得到凝汽器的真空度yout(k)。

根据RBF网络得到Jacobina信息。

(3)根据Jacboina信息和被控系统控制误差eror(k)优化PDI参数kp,ki,kd。

(4)根据优化后的PDI计算控制器的输出u(k)及输出的变化△u。

(5)根据△u(k)、yout(k)、yout(k-1l)计算得到RBF网络的输出ym(k),通过与系统实际输出yout(k)比较根据梯度下降法在线调整网络的输出权值、节点中心及节点基宽参数。

(6)置k=k+1,返回到

(2)。

2.3继电保护

神经网络技术在继电保护领域中应用的优势和特点非常明显。

它的并行处理能力能加快保护的计算速度和判别速度;它的鲁棒性和容错性可极大地提高数字保护抗干扰能力和容错能力,提高数字保护抗电流互感器(TA)饱和的能力以及适应电力系统故障暂态过程的能力,提高数字保护整体的安全性、可靠性和稳定性。

在神经网络理论的保护装置,可判别更复杂的模式,其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。

它是神经网络(ANN)与专家系统(ES)融为一体的神经网络专家系统,其中,ANN是数值的、联想的、自组织的、仿生的方式,ES是认知的和启发式的。

在继电保护故障检测中,计算机串行运算能力与实现最优算法所应实时完成的运算量之间存在着矛盾。

神经网络的应用为解决这一矛盾提供了极好的条件。

继电保护故障检测的算法对系统保护的动作特性、精度等起着决定性的作用。

为了保证保护系统故障检测的正确性和灵敏性,一般应优先采用高精度最优算法,但这时常需完成较大的运算量。

如最小二乘算法精度虽高,但实时运算量大,在普通故障检测应用中受到了限制。

神经网络就具有极高的运算速度,在继电保护系统的故障检测中若应用神经网络技术,可以实现难以用数字计算机实现的高精度最优算法。

与普通的继电保护系统故障检测方法相比,基于神经网络的故障检测具有更高的可靠性。

普通故障检测采用自检、自诊断技术以及冗余措施可以提高其可靠性。

但必须是建立在计算机状态完好的基础上的。

由于设计、制造或技术等多方面的原因,在普通的继电保护系统故障诊断中,往存在着一些部件计算机系统无法检测和诊断的故障,这些故障有可能影响装置的正常工作。

传统的数字计算机是将数据存储在特定的存储单元中,对数据的运算也是由特定的运算单元来完成,因此某一单元的损坏计算机就不能正常工作,从而导致整个保护装置的瘫痪。

神经网络是由大量处理单元广泛互连而成的网络,它将知识与信息分布存储在各个神经元之间的权中,其运算过程是由许多并行的处理单元(神经元)来完成,局部或部分的神经元损坏不影响全局的活动。

所以神经网络比一般计算机承受硬件损坏的能力强得多。

往到目前为止,人工神经网络已经被应用于线路、变压器、母线、发变组保护及检测等多个继电保护领域。

 

现主要简单讲述基于神经网络的继电保护系统的故障检测的方法过程并举例说明。

2.3.1系统模型

知识工程是神经网络应用领域中的一大类,它可以根据以往的经验,从统计学的规律来作出合理的判断与决策,并可对未来的过程作出有效的估计与预测。

故障诊断是知识工程的具体应用,它实际上是一个分类问题,一般可用三层网络来求解。

根据收集到的样本给出输入输出的映射关系,通过足够的学习样本,使网络的输出与期望的输出误差减至最小。

因此,诊断的过程就是找出与输入相对应的输出。

1)模型选择

故障诊断经验是一种直觉性的知识,其特点是按相似性进行分类。

人们通过多年的故障诊断实践,脑子里存储了许多典型实例,同时又具有一种模糊的直觉联想能力,当遇到一个新实例时,就能由相似性而联想到某一已知实例,并与之比较,进而作出判断,反向传播型网络正好适合解决这类问题。

2)网络训练过程

这里仅以三层网络为例介绍BP网络的工作过程,它有一个输入层Lx,一个输出层,一个中间层Ly,单元之间向前连接,能够存储任意连续值模式对(Lk,Lk),(k=1,2,3,…,m)第k个模式对中,模拟值模式Xk=(xk1,xk2,…xkn),Yk=(yk1,yk2,…ykn)。

网络通过多层误差修正梯度下降法离线学习,按离散时间方式运行。

误差反向传播算法的目标是修改权重,使网络的全局误差函数极小化。

通常,网络的误差函数用均方差来定义,即为所有输入模式上输出层单元的希望输出与实际输出的误差平方和。

为了应用神经网络,在选定所要设计的神经网络的结构之后(其中包括的内容有网络的层数、每层所含神经元的个数和神经元的激活函数),首先应考虑神经网络的训练过程。

下面用两层神经网络为例来叙述BP网络的训练步骤。

步骤1:

用小的随机数对每一层的权值和偏差初始化,以保证网络不被大的加权输入饱和,同时还要进行以下参数的设定或初始化:

(1)设定期望误差最小值:

err_goal

(2)设定最大循环次数:

max_epoch

(3)设置修正权值的学习速率:

一般选取Ir=0。

01~0。

7

(4)从1开始的循环训练:

for_epoch=1:

max_epoch

步骤2:

计算网络各层输出矢量A1和A2,以及网络误差E:

A1=tansig(w1*p,b1);

A2=purelin(w2*A1,b2);

E=T−A;

步骤3:

计算各层反向传播的误差变化和,并计算各层权值的修正值及新的权值:

D2=deltalin(A2,E);

D1=deltalan(A1,D2,w2);

[dw1,db1]=learnbp(p,D1,lr);

[dw2,db2]=learnbp(A1,D2,lr);

w1=w1+dw1;b1=b1+db1;

w2=w2+dw2;b2=b2+db2;

步骤4:

再次计算权值修正后的误差平方和:

SSE=sumsqr(T−purelin(w2*tansig(w1*p,b1),b2));

步骤5:

检查SSE是否小于err_goal,若是,则训练结束;否则继续。

以上就是BP网络利用MATLAB神经网络工具箱训练的过程。

以上所有的学习规则与训练的全过程,还可以用函数trainbp来代替。

它的使用同样需要定义有关参数:

显示间隔次数、最大循环次数、目标误差和学习速率,在调用trainbp函数后,返回训练后的权值、循环训练的总数和最终误差。

2.3.2继电保护系统故障诊断原型

我们开发了基于神经网络的继电保护系统故障诊断原型系统,继电保护系统是一个复杂的系统,由若干的子系统组成,子系统按一定的规律工作,完成一定的功能。

图4是一个典型的继电保护系统的模型。

继电保护系统的故障诊断系统如图5所示。

图4计算机继电保护硬件系统结构图

图5继电保护系统的故障诊断系统如

“知识获取”,是典型故障的信号检测和故障信号的特征提取。

“知识存储”是以隐含形式在网络中建立故障档案库,即训练后的权值分配。

“推理计算”是当在输入层施加故障现象集,经过网络计算由输出结果解释故障原因集,并提出修改建议。

3.3.3算例

取学习速率为0。

05,设初始权值和各节点阈值为0~0。

2之间随机数,用24组训练数据(见表2)对网络进行500次训练,用10组测试数据进行诊断,测试结果见表3,故障诊断正确率为90%,平均诊断时间5~8分钟。

表2训练系列数据集

表3故障位置表

注:

输入集、输出集中未列出的数据均为零。

2.4负荷预测

负荷预测是人工神经网络在电力系统应用研究的一个主要领域。

由于负荷和影响负荷变量之间的关系难以用精确的数学模型加以描述,因此增加了模型的复杂性。

而人工神经网络不依赖于输入变量和预测负荷之间的明确的表达式,输入变量和预测负荷之间的关系是通过训练过程得到。

此外,该技术还适于解决时间序列预测问题(尤其是平稳随机过程的预测)。

因此,人工神经网络技术在电力系统负荷预测中的应用理论是可行的。

利用神经网络进行负荷预测[1]是近些年来才开始广泛使用的负荷预测方法,其优点是对大量的非结构性、非精确性规律具有自适应功能,预测被为是人工神经网络最有潜力的应用领域之一。

由于BP神经网络[2]的强非线性拟合能力,尤其是对预测中天气、温度等因素处理方便,而且学习规则简单,便于计算机实现,所以目前多利用BP算法(errorback-propagationalgorithm)来进行神经网络的训练。

因为采用最速下降梯度法来搜索最优解,它不能保证神经网络的误差函数收敛到全局最优解;另外,它的收敛速度很慢。

因此针对它的缺陷,对基本BP算法提出了改进方法,并将擅长于全局寻优的遗传算法引入人工神经网络,运用遗传算法优化神经网络结构,取得了较好的效果。

2.4.1BP网络及其改进算法

BP网络为前向多层网络(如图1所示),网络由输入层节点、输出层节点和隐含层节点组成(可以是一层或多层)。

采用BP神经网络进行训练实际上是一种非线性拟合的方法,经过训练的神经网络,对于不在样本集中的样本集附近的输入也能给出合适的输出。

但尽管BP网络具有很强的信息处理能力,它仍存在着收敛速度慢、易陷入局部极小等缺点,BP算法的这些不足是影响其实际应用的主要障碍,本文将在样本训练中使用“批处理”方法来加速BP算法。

“批处理”的思想是:

每一个输入样本对网络并不立即产生作用,而是等到全部输入样本到齐,就全部误差求和累加,再集中修正权值一次,即根据总误差修正权值,

图6BP网络结构图

(1)

式中:

,G为学习速率,A为动量项,

表示由第L-1层的第j个神经

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 党团工作 > 入党转正申请

copyright@ 2008-2022 冰豆网网站版权所有

经营许可证编号:鄂ICP备2022015515号-1