基于神经逻辑网络冗余纠错和FNN组合的配网高容错性故障定位

创造性提出了基于多值神经逻辑网络 (MNLN)冗余纠错和前馈神经网络 (FNN)组合的配网故障定位原理和实现方法。根据配网SCADA系统汇集的信息具有冗余特征 ,及配网拓扑结构的关联性可获得各馈线终端单元 (FTU)信息之间的冗余关系 ,提出了基于MNLN原理的信息冗余纠错的模型及逻辑推理规则。经过纠错处理的、无畸变的信息即形成故障定位FNN模型的输入矢量集。文中所提出原理和方法对配电网具有广泛的通用性 。

基于数据挖掘模型的配电网故障定位诊断

由于配电网故障定位所依据的故障信息来自于户外的 FTU,其运行环境较恶劣 ,元器件受损或信息丢失的可能性高 ,易形成变异故障模式 ,导致故障定位的错判 ,提出基于粗糙集 (RS)理论和遗传算法 (GA)相结合的数据挖掘 (DM)模型来处理实时输入信息的畸变和实现配电网的故障定位 .首先通过 RS对变异故障信息域的数据集进行划分 ,再用 GA挖掘出输入信息与故障定位诊断结果间冗余关系及内在关联性规则 .经仿真测试证明 ,基于 DM模型的故障定位与基于常规前馈神经网络 (FNN)故障定位原理相比 。

样条权函数神经网络的一种新型算法

针对前馈神经网络在数值插值领域的应用场合,提出了一种新型结构的神经网络及其训练算法。网络拓扑结构简单,网络训练所需的神经元个数与样本个数无关,可以简单地表示成输入、输出样本向量维数之积。算法只需训练1层权函数。训练后的权函数由三次样条函数构成,而不是传统方法(反向误差传播算法“BP”或径向基函数算法“RBF”)的常数。通过求解两组线性方程组,就可以确定具体三次样条权函数形式。不存在传统梯度下降类算法的局部极小、收敛速度慢、初值敏感性等问题。仿真实验说明此算法比传统算法(如BP、RBF)精度高、速度快。

基于广义Чебышев多项式的新型神经网络算法

提出了一种基于广义Чебышев多项式的新型神经网络学习算法。对于给定的样本点,采用三次样条插值方法求得Чебышев结点处的函数值,并将Чебышев结点和对应的函数值作为新的训练样本。利用Чебышев多项式的正交性,每个权函数可以表示为广义Чебышев多项式,它是最佳平方逼近多项式。与样条权函数神经网络算法相比,该算法最后表达式更简单,有利于泛化,而且每个权函数所需要存储的信息量更少。另外,提出的新算法不存在梯度下降类算法的局部极小、收敛速度慢的问题。最后,为了说明该算法的有效性,给出了一个实例,仿真实验说明通过提取广义Чебышев多项式的权函数,可以理解所训练的问题的内在关系,训练后的网络具有很好的泛化能力和很高的精度。

用前向网实现噪声图象的边缘提取

本文提出采用多层前向网及改进的ＢＰ算法，对经Ｃａｎｎｙ最佳边缘检测算子处理噪声图象后得到的高、低门限图进行不连续轮廓的并行“修补”，能够较快地得到信噪比高的边缘图象．

训练前向神经网络的全局优化新算法及其应用

把填充函数法与 BP算法相结合 ,提出一种训练前向神经网络的混合型全局优化新算法 .该算法首先由 BP算法得到一个局部极小点 ,然后利用填充函数使 BP算法跳出局部最优 ,得到一个更低的极小点 .重复此过程最终求得全局最优解 .最后给出一个应用实例 .