谐波的产生_电力谐波分析_谐波分析法(16)

27北京交通大学硕十学位论文参— ～◆弓厂◆参—、卜一卜，一叁 ～，输入层 隐含层 输出层图3-4BP神经网络结构BPFig．3-4neuralnetwork网络输入层中的每个输入层的输出向量单元组成了应用于第二层中神经元的输入信号，第二层的输出信号称为第三层的输入，其余层类似。网络每一层的神经元只含有作为它们输入前一层的输出信号，网络输出层 终止层 神经元的输出信号组成了对网络的中输入层 起始层 产生的激励函数的全部响应。即信号从输入层输入，经隐含层传给输出层，由输出层得到输出信号。3．1．2．3人工神经网络的学习神经网络具有学习的能力，从学习方式角度可分为有导师学习和无导师学习两种学习网络。1 有导师学习：有导师学习就是从应用环境中选出一些样本数据，通过不断地调整权矩阵，一直到得到合适的输入输出关系为止，此过程即对神经网络的训练过程，这种训练过程需要提供训练数据。训练数据是指成对的输入值和输出值，训练过程就是根据输入值和输出值的误差程度来调整权重。学习时提供正确的答案，当网络响应正确时，调整权值朝着强化正确的方向变化，当网络响应错误时，则调整权值朝着弱化错误的方向变化。2 无导师学习：无导师学习的训练数据中，只有输入而没有目标输出，训练过程神经网络自动的将输入数据的特征提取出来，并将其分成若干类。

经过训练好的网络能够识别数据集以外的新的输入类别，并响应获得不同的输出，使得网络具有自组织和自学习的能力。3．1．3模糊神经网络3．1．3．1模糊逻辑与神经网络结合与前面介绍的神经网络比较，模糊逻辑与神经网络可对比如下：283基-f．ANFIS的谐波分析表3．1模糊逻辑与神经网络的比较TheTab3．1 andneuralnetworkcomparisonbetweenfuzzylogic特性 模糊逻辑 神经网络知识表示 隶属函数表示 分布式表示不完全可以 可以处理数据容错性 容错 容错推理 对模糊规则进行组合 学习函数的自控性操作 隶属函数的计算 神经元的相互作用简单的计算处理、语言值和数值的 特征抽取、优化问题、聚类分析、功能处理、模糊决策、辨识和模糊控制等 模式识别、预测、建模和控制等模糊逻辑是用语言和概念描述人脑的宏观功能，试图从人的思维特性，即语言和对世界的认识的概念去研究人脑的智能，它根据人为定义的隶属函数和一系列串行的模糊推理规则，用逻辑推理去处理各种模糊性的信息。模糊逻辑可处理不确定的信息，可以很容易的利用专家经验，用简单的运算实现知识的模糊推理。神经网络主要是关注人脑的微观结构，力图从人脑的物理机构上去研究人的智慧产生和形成，它通过自学习、自组织和自适应功能的神经网络上的非线性动力学，对无法语言化的模式信息进行处理，具有并行处理能力和较强的容错性。

综上所述，模糊逻辑和神经网络在许多方有关联性和互补性。所以将模糊逻辑与神经网络相结合，优势互补，可以将信息处理领域提高到新的高度【441。模糊逻辑系统模拟信息模糊处理的思维能力，即“软件”；神经网络模拟大脑的拓扑结构，即“硬件”。二者的结合就产生了模糊神经网络系统。人工神经网络与模糊系统结合的方式很多也很广，大体上有以下两种基本方式：第一种是将人工神经网络作为一种计算工具引入到模糊逻辑中，即将人工神经网络作为模糊系统中隶属函数、模糊规则和扩展原理的网络化描述形式。第二种是将模糊性质原理引入到现有的神经网络结构中，或者将训练及工作过程的神经元视为一种模糊类别标志；或者将模糊性质原理运用到神经网络中的每个神经元，使得神经元在功能上为各种模糊运算操作；还可以对神经网络的输入数据进行模糊化处理等。3．1．3．2模糊神经元模型神经网络的基本信息处理单元就是神经元，为了可以处理模糊信息，模糊神经网络的神经元在此基础上进行了改进，构成各类的模糊神经元模型。29北京交通大学硕论文1 模糊化神经元该种模糊神经元是一类可将观测值或输入定量化或标准化的神经元。它接收离散值或连续值的、确定或模糊的单元输入。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/tongxinshuyu/article-29327-16.html