遗传算法改进神经网络的电力系统谐波检测法

提出了将遗传算法与神经网络结合起来用于电力系统谐波幅值与相位测量的方法。根据电力系统谐波的特点,构造了用于谐波检测的神经网络模型,阐述了网络训练样本的形成方法。借助Matlab提供的遗传算法与神经网络算法工具箱,先用遗传算法对前馈神经网络进行全局训练,再用BP(back-propagation)算法进行精确训练。仿真结果验证了该方法的有效性和可靠性。通过与传统BP算法测量谐波的方法相比较,该方法具有训练速度快,不易陷入局部极值,测量精度高的优点。最后用未训练的样本检测训练好的神经网络,验证了该网络同时也具有较好的泛化能力。     

电力系统中谐波诊断的神经网络方法

本文提出了一种应用人工神经网络模型诊断电力系统中谐波含量的新方法。用误差反向传播模型（ＢＰ模型）取代传统的快速傅立叶变换方法，对ＢＰ模型进行训练，得到由电流（或电压）采样值映射出基波和谐波含量的ＢＰ模型。试验结果表明，该方法具有速度快、精度高的优点，硬件实现简单，同时具有在线应用的特点。     

基于S变换与傅里叶变换的电能质量多扰动分类识别

提出了一种基于S变换、加窗插值快速傅里叶变换(FFT)和概率神经网络(PNN)的电能质量扰动检测和分类方法.应用S变换和加窗插值FFT对电能质量多扰动信号进行时频分析,获取信号的特征量.通过训练信号集上获得的特征量,训练了一个概率神经网络用于扰动分类.训练好的网络在测试信号集上的测试结果表明,对正常电压和常见的电能质量扰动,该方法具有较高的分类准确率,在训练样本数较少、噪声影响大和多扰动信号并存时仍能取得较好的分类效果.     

基于改进BP算法的电力系统谐波分析

在选取BP神经网络对谐波进行分析时,考虑到BP网络存在的缺点和不足,对BP网络进行改进。通过把FFT和改进的BP网络结合起来,实现对谐波的实时分析。该方法先对采样信号进行FFT运算实现预处理,得到谐波个数和谐波次数;然后根据谐波的个数来确定神经元的个数,通过谐波次数设定神经网络参数迭代的初始值;最后对改进的神经网络进行训练,可以实现谐波的精确分析。所提出的BP改进算法有效地提高了谐波分析的精度,实时性也得到了改善。     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

基于神经网络的航位推算导航

针对航位推算法中陀螺仪对方向测量存在较大噪声,进而导致航位推算误差较大的问题,提出一种基于神经网络的航位推算方法.该方法利用神经网络考察加速度测量值与方向测量值之间的时变关系,从而在不使用陀螺仪的情况下,通过该时变关系使用加速度值计算方向值,进而完成水下自主航行器(AUV)的航位推算导航.结果表明,该算法能在仅使用加速度计的情况下完成航位推算导航,因此可避免近海面由陀螺仪噪声导致的航位推算误差问题.仿真实验证明了该算法准确率较高.     

硬度转换的神经网络模型

基于人工神经网络理论，建立了各种硬度值之间相互转换的完整一的神经网络模型，该模型可实现各种硬度之间的线性与非线性映射，并对硬主莆中没有的数据给出准确的预测，克服了查表法的不足，较线性回归具有更高的精度，网络模型可嵌入机械ＣＡＤ系统中，方便中种硬主之间的转换。     

基于进化神经网络的灰色预测模型

为了弥补神经网络用于灰色理论中学习效率低、收敛速度慢、易陷入局部最优等缺点,采用了改进遗传算法IGA(im proved genetic algon ithm)来辅助优化神经网络,实现了对网络连接权的自适应进化,并应用于灰色预测中。提出了进化神经网络灰色预测模型,通过M atlab程序对某地区农村人均收入的数据进行了预测、比较,预测结果误差均在0.3%以下,明显优于传统的GM(1,1)(grey m odel)的预测结果,其误差在10%左右。实例验证,将进化神经网络应用于灰色预测模型中是可行和有效的。     

采用BP&SA混合学习策略的短期电力负荷预测方法

提出了一种BP混合模拟退火(SA)的ANN短期负荷预测方法,该方法针对传统BP学习算法的缺点,将BP算法和模拟退火算法的优点相结合以提高网络的学习性能.ANN模型中考虑了温度和预测日类型,可进行工作日和节假日的预测,实例表明ANN模型实用有效、精度高.     

A REAL_TIME SHORT_TERM LOAD FORECASTING SYSTEM BY ARTIFICIAL NEURAL NETWORK *

应用人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ—ＡＮＮ）设计短期电力负荷预测（Ｓｈｏｒｔ＿ｔｅｒｍＬｏａｄＦｏｒｅｃａｓｔｉｎｇ—ＳＴＬＦ）系统,利用广州电网的负荷数据进行仿真,分别作出提前１小时和未来２４小时的整点负荷预测,获得比较满意的预测精度,显示出人工神经网络应用于短期电力负荷预测的良好前景．由于建立小时模型、改进了训练样本集的选取办法及采用高效率的ＬＭ（Ｌｅｖｅｎｂｅｒ＿Ｍａｒｑｕａｒｄｔ）训练算法,使ＡＮＮ的训练速度大大加快,形成可以实时训练和预测的ＡＮＮ＿ＳＴＬＦ系统．     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

一种大工业过程稳态优化控制方法

催化裂化装置是一个高度非线性、时变和长时延、强耦合、分布参数和不确定性的复杂系统。为解决催化裂化过程的优化控制问题 ,采用多层前馈神经网络进行辨识、建模 ,用周期图检验法对模型检验 ,用改进的 Frank- Wolfe算法进行稳态优化计算 ,并以大港炼油厂实际生产过程的稳态数据进行试验和验证 ,说明神经网络适合于解决非线性复杂生产过程的辨识、建模和稳态优化控制问题     

基于最优变异因子的遗传算法在ANN训练中的应用

为解决人工神经网络训练中陷入局部极小值问题 ,对遗传算法中的变异模型作了分析和改进 ,采用了一维搜索方法以确定最优变异因子 ,首先由进退法确定最优变异因子存在的区间 ,然后运用黄金分割法以确定最优变异因子。结合一个实际算例 ,对最优变异因子和固定变异因子的应用效果进行了比较 ,结果表明基于最优变异因子的遗传算法能够更有效地克服局部极小点 ,有利于加速人工神经网络的训练过程     

采用BP-GA算法的一种LSI神经网络的电路设计

将误差反传 (BP)算法和遗传算法 (GA)有机地结合在一起 ,提出了一种新的算法 BP- GA。采用 BP- GA算法 ,设计了一个两层前向 L SI神经网络。作为神经网络的关键部件 ,提出的新型神经元性能优越。它的激活函数与理想sigmoid函数拟合很好 ;可实现对阈值及增益因子的编程并且不同增益因子下饱和输出电压值相同。采用标准 1.2 μmCMOS工艺的模型参数 ,对该两层前向神经网络电路进行的HSPICE模拟证明了它有解决异或 (XOR)问题的能力     

一种能给出充油电气设备油色谱故障诊断可靠性的神经网络方法

为了提高基于人工神经网络方法的充油电气设备油色谱故障诊断的准确性及诊断结果的可靠性,基于神经网络理论分析指出了采用不同训练算法、隐层神经元数量、初始权值和阈值训练得到多个网络输出的均值作为诊断结果能提高故障诊断的准确性,根据多个网络输出的标准差可以获得诊断结果的可靠性.根据搜集得到的大量油色谱样本,分别采用振荡传播(resilient propagation,RPROP)算法、共轭梯度法、拟牛顿法和Levenberg-Marquardt算法训练共计得到40个结构相似的神经网络,将训练得到神经网络应用于基于油色谱的充油电气设备故障诊断,同时比较了不同算法的训练时间和诊断结果的准确性.结果 表明多个网络输出的平均可提高故障诊断的准确性,根据多个网络输出的标准差可获得诊断结果的可靠性,而且表明神经网络结构相似时,4种算法训练得到的神经网络具有相近的故障诊断准确性,但从训练时间上看,RPROP算法、拟牛顿法和Levenberg-Marquardt算法非常接近,而共轭梯度法的训练时间为其他3种算法的6倍左右.同时考虑到Levenberg-Marquardt算法计算速度最快,可在充油电气设备油色谱故障诊断中用于训练神经网络.     

ANN在一次引爆FAE爆炸威力评价中的应用

在系统分析燃料空气炸药(FAE)爆炸威力主要影响因素的基础上，应用人工神经网络(ANN)理论及方法，建立了一次引爆FAE爆炸威力评价ANN模型，并利用该模型对不同配比环氧丙烷／铝粉混合燃料的爆轰参数及爆炸威力进行了模拟。结果表明，ANN模拟结果与一维多相爆轰模型计算值相当吻合，当铝粉含量处于50％～70％范围时，爆炸威力较为理想，当铝粉含量为65％时，爆炸威力指数达到最大。这一研究可为一次引爆FAE配方及战斗部设计与优化提供有益参考。     

基于DSP的人工神经网络环境控制系统

文章提出了将人工神经网络结合遗传算法应用于环境控制的新方法。该方法利用遗传算法在线计算控制量,利用人工神经网络模拟被控对象的动态特性,从而代替被控环境进行分析。同时,针对DSP的高速运算机能,解决了在工程应用中难以用一般的CPU完成实时控制的要求。该系统充分发挥了人工神经网络和遗传算法各自的特点,是具有良好发展前途的新型的环境控制系统。     

基于FFT和神经网络的复模态参数识别

为了精确识别结构复模态参数,提出了一种基于快速傅里叶变换(FFT)和人工神经网络的模态识别方法.该方法首先对自由振动信号进行FFT预处理,得到粗略的各阶模态频率和相位.然后,根据模态的阶数设定神经元的个数,根据预处理后得到的频率和相位设定神经网络权值和基函数参数迭代的初始值.最后,通过对人工神经网络进行训练,达到利用自由振动信号进行时域模态识别的目的.仿真结果表明,该算法可消除频率法识别中因频谱泄露与噪声等产生的误差,提高模态识别的精度,因而是一种有效的时域识别方法.     

基于AdaBoost的汉语方言辨识

为了在训练样本受限的情况下,提高汉语方言辨识的效果,提出了一种基于AdaBoost的汉语方言辨识新方法.该方法将GMM与语言模型组成的辨识系统看成一组弱分类器,然后对这组弱分类器所得的分类结果进行加权投票,最终决定汉语方言测试语音的所属类别.实验结果表明:增加GMM或弱分类器的个数,可以有效提高系统的辨识效果;测试语音越长,系统辨识效果越好;当训练样本有限的情况下,采用AdBoost方法比采用ANN方法具有更高的辨识率.