شبکه های عصبی انعطاف پذیر باساختار بهینه قابل بازسازی در حین آموزش
Publish place: 6th Intelligent Systems Conference
Publish Year: 1383
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,032
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICS06_032
تاریخ نمایه سازی: 18 تیر 1391
Abstract:
در این مقاله از شبکه های عصبی انعطاف پذیر با 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 دهنده 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 پایا نه بدست آمده است . شبکه عصبی که با استفاده از این داده ها آموزش داده شده است، یک شبکه پرسپترون با یک لایه 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 الگوریتمCFE-SS 3 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 . پارامترهای نامی ژنراتور آسک عبارتند از : ٤٣٩٥٠ کیلو ولت آمپر ، ١١ کیلو ولت ، ٣٠00رادیان بر دقیقه ، ٥٠ هرتز و ضریب توان0/8
Keywords:
Authors
محمدرضا یوسفی نجف آبادی
دانشکده برق دانشگاه صنعتی خواجه نصیرالدین طوسی
محمد تشنه لب
دانشکده برق دانشگاه صنعتی خواجه نصیرالدین طوسی
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :