神经网络泛化增强技术研究

综述和比较现有改善神经网络泛化能力的方法,特别对其中的5种实用方法进行详细的理论分析,指出各自的优缺点。实验中将各种方法用于函数逼近与数据分类两大领域,通过泛化能力与运行时间的对比,给出其性能排序。发现贝叶斯自适应正则化方法性能最好,其次是正则化法、逐步增加法、剪枝法;早期停止法速度最快,但是用于函数逼近效果不佳,只能用于数据分类。

基于IGSO优化LM网络的变压器故障诊断方法

针对现今电力变压器故障诊断方法中存在编码边界区间过于绝对、准确率不高等一系列问题,提出了一种自适应搜索萤火虫算法(IGSO)优化列文伯格·马夸尔特(LevenbergMaquardt,LM)网络的变压器故障诊断方法。该方法采用萤火虫个体代表神经网络的权值和阈值、LM网络的均方误差函数作为萤火虫个体的适应度函数,利用改进萤火虫算法迭代寻优得到LM网络的最优权值和阈值。同时,运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,不仅有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点。然后,建立基于自适应搜索萤火虫算法优化的神经网络模型,并将典型变压器故障数据代入仿真,通过与贝叶斯正则化神经网络模型以及粒子群模型的仿真结果对比,表明该方法具有较好的分类效果,准确率达到88.57%。