基于分?jǐn)?shù)階主從神經(jīng)網(wǎng)絡(luò)的自適應(yīng)電力系統(tǒng)穩(wěn)定器設(shè)計(jì).pdf

1、作為一種較好的人工智能方法，BP神經(jīng)網(wǎng)絡(luò)已成功地應(yīng)用于各個(gè)工程領(lǐng)域。但是，由于其固有缺點(diǎn)，如對學(xué)習(xí)參數(shù)、初始狀態(tài)及擾動(dòng)的敏感性等問題，使其在一些情況下無法收斂，特別是遇到復(fù)雜問題時(shí)，如果學(xué)習(xí)速率選取的不合適，均方誤差落入局部極小點(diǎn)，導(dǎo)致網(wǎng)絡(luò)陷入錯(cuò)誤的工作模式，以至于不能收斂。基于Hopfield神經(jīng)網(wǎng)絡(luò)的良好動(dòng)態(tài)特性，有學(xué)者提出了一種主從神經(jīng)網(wǎng)絡(luò)(Master Slave Neural Network，MSNN)，這種神經(jīng)網(wǎng)絡(luò)相對BP神

2、經(jīng)網(wǎng)絡(luò)具有更小的系統(tǒng)誤差和更少的訓(xùn)練周期特點(diǎn)?；诜?jǐn)?shù)階微積分的全局特性，即它的當(dāng)前值不僅取決于上一時(shí)刻值而是之前所有時(shí)刻的值，有學(xué)者將連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)擴(kuò)展到分?jǐn)?shù)階，使其在進(jìn)行系統(tǒng)辨識時(shí)具有跟小的識別誤差。本文將分?jǐn)?shù)階Hopfield神經(jīng)網(wǎng)絡(luò)應(yīng)用在主從神經(jīng)網(wǎng)絡(luò)中，構(gòu)成新型的分?jǐn)?shù)階主從神經(jīng)網(wǎng)絡(luò)(Fractional Master Slave Neural Network，F(xiàn)MSNN)。經(jīng)仿真驗(yàn)證表明，F(xiàn)MSNN比MSNN具有