- 1、本文档共3页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
神经网络考试TIP.doc
模糊控制
模糊推理系统的结构:1.模糊化:1)尺度变换2)模糊处理;2.知识库,包括数据库和规则库;3.模糊推理;4.解模糊,包括:1) 将模糊量经清晰化变换成论域范围的清晰量。
2) 将清晰量经尺度变换变化成实际的控制量。
设计模糊控制器,即建立一个模糊推理系统,根据输入的精确量,得到精确的输出控制量。包括:确定基本论域和论域(比例因子)
定义模糊子集和隶属函数
设计模糊控制规则
选择模糊推理方法(max-min)
确定模糊化(单点)、清晰化的方法(重心法)
自己在做matlab时利用的什么方法进行的函数建立:matlab工具箱。
BP网络
在进行matlab编程时,函数的算法采用的哪种?批处理还是顺序学习。
(这里要注意的是算法的权值的初始化、修正步骤;把自己的编程步骤写出来)。
RBF网络
Rbf网络与bp网络各自特点:
BP算法的主要优点:只要有足够多的隐层和隐节点,BP网络可以逼近任意的非线性映射关系;BP网络的学习算法属于全局逼近的方法,因而它具有较好的泛化能力。
主要缺点
RBF网络是一种局部逼近的神经网络。众所周知,BP网络用于函数逼近时,权值的调节采用的是负梯度下降法,这种调节权值的方法有它的局限性,即存在着收敛速度慢和局部极小等缺点。而RBF神经网络无论在逼近能力、分类能力和学习速度等方面均优于BP网络。径向基函数网络比BP网络需要更多的神经元。采用径向基函数网络来完成函数逼近任务,将结果同BP网络以及改进BP算法的前向网络的训练结果做比较后,发现径向基函数网络所用的时间最短。但并不等于径向基网络就可以取代其它前馈网络。这是因为径向基网络很可能需要比BP网络多得多的隐含层神经网络元来完成工作。BP网络使用sigmoid( )函数,这样的神经元有很大的输入可见区域。而径向基网络使用的径向基函数,输入空间区域很小。这就导致了在实际需要的输入空间较大时,需要很多的径向基神经元。
梯度下降法的推导:
(会出一个中心向量一维的,即一个输入、两个引单元、一个输出的推导)。
Hopfield网络
DHNN怎样实现联想记忆功能的?
联想记忆功能是DHNN的一个重要应用范围。在Hopfield网络的拓扑结构及权值矩阵均一定的情况下,网络的稳定状态将与其初始状态有关。也就是说,Hopfield网络是一种能储存若干个预先设置的稳定状态的网络。若将稳态视为一个记忆样本,那么初态朝稳态的收敛过程便是寻找记忆样本的过程。初态可认为是给定样本的部分信息,网络改变的过程可认为是从部分信息找到全部信息,从而实现了联想记忆的功能。
要想实现联想记忆,反馈网络必须具有两个基本条件:①网络能收敛到稳定的平衡状态,并以其作为样本的记忆信息;②具有回忆能力,能够从某一残缺的信息回忆起所属的完整的记忆信息。
DHNN实现联想记忆的过程分为两个阶段:学习记忆阶段和联想回忆阶段。在学习记忆阶段中,设计者通过某一设计方法确定一组合适的权值,使网络记忆期望的稳定平衡点。而联想回忆阶段则是网络的工作过程。此时,当给定网络某一输入模式,网络能够通过自身的动力学状态演化过程最终达到稳定的平衡点,从而实现自联想或异联想回忆。
CHNN怎样实现优化功能的?
CHNN主要用于优化计算。CHNN中的每个神经元上增加一个自反馈后,在神经元的输出满足一定的条件下,CHNN的纠络能量将会上升、下降或足不变。利用这一性质可以使网络的能量不足单一的下降,而足可以上升,因此可以使网络能够跳出不合理解或局部最优解,最终收敛到合理解或全局最优解。若将稳态与某种优化计算的目标函数相对应,并作为目标函数的极小点。那么初态朝稳态的收敛过程便是优化计算过程。该优化计算是在网络演变过程中自动完成的。
取性能指标函数:
RBF网络隐层第i个节点的输出为:
输出层第k个节点的输出为:
由梯度下降法有:
又知
式中为第k个节点的期望输出量,它是一个与、以及均无关的量。因此,
所以:
同理有:
所以:
同理有:
所以:
总结:RBF网络调节各参数调节公式
为学习速率。
对于神经网络在电力电子中的应用,我先列举以下一些详细例子:
动态递归神经网络在异步电机控制上的应用;
神经网络硬化实现的共性技术在电力传动中应用;
神经网络在电力电子装置中的应用;
神经网络硬化实现的共性技术在电力传动中应用;
双神经网络直流传动自适应规划控制;
基于神经网络的有源电力滤波器应用
结合遗传算法的神经网络在电力电子电路故障诊断中的应用;
基于小波神经网络的电力电子电路故障模式识别
基于改进粒子群算法神经网络的电力电子电路故障诊断;
应用BP神经网络诊断电力电子电路的故障
基于神经网络的自适应PID控制器及其应用
GRNN神经网络在电力系统负荷预报中的应用
等等。
对于神经网络的认识,我们能够知道人工神经网络
文档评论(0)