谐波的产生_电力谐波分析_谐波分析法(17)

而输出由系统模糊变量基本状态隶属函数所确定的标准化的值组成。通常选用单输入单输出形式，其输入输出关系式为：Yi F xi 3-9其中F为模糊化函数。当系统模糊变量基本状态隶属函数比较复杂时，模糊神经网络中模糊变量基本状态的模糊化采用模糊化网层来实现，而网层中的模糊化神经元的输入输出关系采用与模糊变量某一基本状态隶属函数相对应的形式，其输入输出关系式为：Yo ∥ t ，J l，2，．．．，n 3·102 去模糊化神经元该种模糊化神经元是一类将以“分布值’’表示的输出结果以“确定性值’’的形式输出的信息处理单元。其输入输出关系表达式为：Y 缈 ‘，X2…．，吒 3-11其中矽为去模糊化函数。3 模糊逻辑神经元在模糊神经网络中，最主要的且最常用的一类模糊神经元就是模糊逻辑神经元。它是一类多输入单输出的神经元，其输入输出关系式为：9 3-12Ut ‘ 五，t9‘；wl，w2，．．．，wi,朋 Z ％一q 3—13其中，XI，屯，．．．，‘为神经元输入，取值区间为【O，1】：wt。，W：，．．．，wi,为神经元连接权，取值区间为【O，1】；Ui为神经元内部状态；Yl为神经元输出；包为神经元阀值；．f为输出函数；‘为模糊逻辑函数或模糊整合函数。

3．1．3．3模糊神经网络几种常见模型模糊神经网络是最近发展起来的一种新型网络结构，它具有模糊逻辑系统和神经网络的优点，具有万能逼近的功能，物理意义明确，收敛速度快。模糊系统最广推理系统模型、Sugeno模糊推理系统模型。! Mamdani模糊模型这种模糊模型的规则前提和结论都是使用模糊变量，它的输出是模糊集合。其输入输出规则是：isifXIis纠…x4，thenY。 B。其中， 192，．．．，m，m表示规则总数，m≤mI研2…mn，mi是xi的模糊分割数。该网络共有五层，第一层为输入层，第二层每个节点表示为一个语言变量，它303基丁．ANFIS的谐波分析的作用是计算输入分量属于各个语言变量模糊集合的隶属度。第三层用以匹配模糊规则前提，计算每条规则的激活度。第四层为归一化计算。第五层为输出层，实现反模糊化计算。该网络是一个典型的前馈网络，采用于误差反传算法来进行网络学习。因输出是模糊值，故必须将输出的模糊值经过去模糊化转化为精确的值后才可以在具体实际中应用。g Tsukamoto模糊模型Tsukamoto模糊模型中【451，每一条模糊规则的结论由具有单调隶属度函数的模糊集合表示。该模型的每条模糊规则结论部分的隶属度函数为单调函数，所以每条规则的输出都是隶属函数中规则的激励强度所对应的精确值。

模糊的输出取各规则那么透明，因此不能广泛应用。③Sugeno模糊模型模型，该模型的第，条规则形式为：If X是A，Y是B，thenz f x，y其中A、B是前提模糊集合，f x，J， 是结论的精确函数，通常f x，Y 是输入X，y的多项式，当f x，Y 是一阶多项式时，所产生的模型为一阶Sugeno模糊模型。当f x，Y 是常数时，即每一条规则的结论由一个模糊单点表示时，称为零阶Sugeno模糊模型。规则结论的精确函数为Z 石，Y Ptx+q，y+巧。可以看出Sugeno模糊模型的输入和输出都是精确值，且该模型不需要耗时和数学上不易分析的去模糊化运算。因此它是目前最基本的模糊建模中最常用的方法。本文的算法也是基于Sugeno模糊模型提出的。3．2ANFIS模型3．2．1ANFIS结构Neural．Networkbased自适应神经模糊推理系统 ANFIS，Adaptive FuzzyInference有机结合的新型的模糊系统结构，从功能上与模糊推理系统等价的自适应网络。自适应神经网络技术为模糊建模过程学习一个数据集的信息提供了一种方法，计算隶属度函数最好允许相关的模糊推理系统跟踪给定的输入／输出数据，根据样本数据自北京交通大学硕论文动调整前提参数和结论参数，克服了模糊控制系统中模糊推理规则主要根据专家经验设计的缺点，与BP神经网络相比，具有更强的自学习能力、鲁棒性和自适应性，且具有任意精度逼近非线性函数的能力。

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-29327-17.html