一种用于PCA与MCA的神经网络学习算法

主元分析（ＰＣＡ）和次元分析（ＭＣＡ）是用于特征提取、数据压缩、频率估计、曲线拟合等信号处理的基本技术．以神经网络来实现ＰＣＡ和ＭＣＡ是当今研究的一大热点，相关矩阵Ｒ的特征值重数不为１时的主、次元分析则是其中一大难题．本文提出了一种新的学习算法，使得在输入数据的相关矩阵含多重特征值时。

自适应参数的有源电力滤波器SVPWM控制方法研究

比较有源电力滤波器(active power filter,APF)两种常用空间矢量脉宽调制(space vector pulse width modulation,SVPWM)控制方法,两者计算时都用到补偿回路串联电抗器的参数,该参数精确程度对APF的补偿效果有一定的影响。针对这一问题,提出自适应参数的SVPWM控制策略。利用整体最小二乘法(total least squares,TLS)对电抗器的参数进行识别,结合次元分析(minor component analysis,MCA)线性神经元求解整体最小二乘法的超定方程,将修正后的电抗器参数再用于SVPWM算法中。为验证所提出自适应参数SVPWM算法的正确性,分别在Matlab仿真和试验平台上测量数据识别补偿回路中电抗器的参数,对比校正电抗器参数前后电源电流的畸变率。仿真和实验数据的分析结果表明了自适应参数SVPWM算法的合理性。

特征向量计算的神经网络方法

矩阵特征向量计算在实际问题中有着广泛应用．本文采用神经网络计算方法来研究主元分析（ＰＣＡ）和次元分析（ＭＣＡ）问题．我们首先考虑单神经元的情况（ｐ＝１），给出了求矩阵最大特征元和最小特征元的算法．然后对多神经元情形（ｐ＞１），给出了抽取矩阵主元和次元的算法．和目前许多已知的算法不一样，在我们ＰＣＡ的算法中改变矩阵的负号就能够得到ＭＣＡ问题的解．