ارائه یک ساختار انعطاف پذیر بهینه قابل بازسازی در حین آموزش در شبکه های عصبی
محل انتشار: دهمین کنفرانس دانشجویی مهندسی برق ایران
سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,042
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE10_051
تاریخ نمایه سازی: 7 آذر 1390
چکیده مقاله:
در این مقاله از شبکه های عصبی انعطاف پذیربا قابلیت بازسازی خود در حین آموزش برای تعیین هارمونیکهای جریان استاتور ژنراتور،در بارهای مختلف استفاده شده است زیرا یکی از روشهای تشخیص خطای ژنراتور در حین کار، آنالیز هارمونیکهای جریان استاتور می باشد. داده های آموزش دهندۀ شبکه عصبی با استفاده از مدل سازی ژنراتور و استفاده از روش المان محدودFE و فضای حالتSS) در نقاط مختلف بار روی منحنی بهره برداری ژنراتور برای سه سطح مختلف ولتاژ پایانه بدست آمده است. شبکۀ عصبی که با استفاده از این داده ها آموزش داده شده است، یک شبکۀ پرسپترون با یک لایۀ پنهان و با قانون یادگیری پس انتشار خطا می باشد. نتایج نشان می دهد که شبکه عصبی انعطاف پذیر بهینه آموزش داده شده با خطای کمتر از ده درصد می تواند هارمونیکهای جریان را برای نقاط بار دلخواه روی منحنی بهره برداری، نسبت به نتایج حاصل از الگوریتم CFE-SS به دست آورد که این علاوه بر حل مشکل تعیین تعداد نرونها,بهبود زیادی را در خطای خروجی نسبت به شبکه های معمولی نشان می دهد.
کلیدواژه ها:
نویسندگان
محمد تشنه لب
دانشکده برق دانشگاه صنعتی خواجه نصیرالدین طوسی
محمدرضا یوسفی نجف آبادی
آموزشکده سما-دانشگاه آزاد اسلامی واحد خمینی شهر
زهرا یوسفی نژاد
دانشکده فنی صدا وسیما
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :