适应衰减直流分量估计的特定神经网络模型

为了估计出曲线函数的参数,提出了一种特定神经网络应用于图形曲线的函数拟合,并针对故障电流信号中包含的指数衰减直流分量降低继电保护操作的精度和效率等问题,构造了一种适应衰减直流分量估计的神经网络模型(decaying DC neural network,DDCNN),推导出基于Levenberg-Marquardt算法的网络权值自适应学习方法.该模型与包含衰减直流分量故障电流信号模型的数学表达式一致,在迭代求解神经网络的权值后,可直接由权值估计出衰减直流分量的所有参数.实验仿真结果及对比分析表明,本文算法能获得比现有算法更高的估计精度,且其计算代价能够满足应用需求.     

第二类Chebyshev前向神经网络权值直接确定及结构自适应确定

为克服BP神经网络模型及其学习算法中的固有缺陷,构造了第二类Chebyshev前向神经网络模型,提出该神经网络模型权值直接确定法和结构自适应确定法.理论分析及仿真实验均表明,该系统弥补了BP神经网络的某些固有缺陷.相比同构型BP神经网络,其计算速度和工作精度均有大幅提高.     

MISO多元广义多项式神经网络及其权值直接求解

 基于多元函数逼近理论,构建一种MISO(Multiple-Input, Single-Output)多元广义多项式神经网络。依据最小二乘原理,推导出基于伪逆的最优权值一步计算公式——简称为权值直接确定法;在此基础上,提出基于指数增长和折半删减搜索策略的隐神经元数自适应增删搜索算法。该新型神经网络具有结构简单的优点,其权值直接确定法、隐神经元增删算法可以避免冗长的迭代计算、局部极小点和学习率难选取等问题,同时解决了传统BP神经网络难以确定隐神经元数这一难题。仿真实验显示其具有训练速度快、逼近精度高和良好的去噪特性等特点。     

样条神经网络的权值直接确定法

根据样条逼近理论和神经网络原理构造了一种样条神经网络模型,以一组样条基函数作为隐神经元的激励函数。依据误差回传（BP）思想推导出该网络模型的权值修正迭代公式,利用该公式迭代训练可得到该网络的最优权值。而对于构造的具有特定网络结构的样条神经网络,依据伪逆思想提出了一种直接计算权值的方法,从而避免冗长的迭代训练过程。仿真结果表明该权值直接确定法不仅能一步确定权值从而获得更快的运算速度,而且能达到更高的计算精度。