基于分數(shù)階主從神經(jīng)網(wǎng)絡的自適應電力系統(tǒng)穩(wěn)定器設計.pdf

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

2、經(jīng)網(wǎng)絡具有更小的系統(tǒng)誤差和更少的訓練周期特點?；诜謹?shù)階微積分的全局特性，即它的當前值不僅取決于上一時刻值而是之前所有時刻的值，有學者將連續(xù)型Hopfield神經(jīng)網(wǎng)絡擴展到分數(shù)階，使其在進行系統(tǒng)辨識時具有跟小的識別誤差。本文將分數(shù)階Hopfield神經(jīng)網(wǎng)絡應用在主從神經(jīng)網(wǎng)絡中，構成新型的分數(shù)階主從神經(jīng)網(wǎng)絡(Fractional Master Slave Neural Network，F(xiàn)MSNN)。經(jīng)仿真驗證表明，F(xiàn)MSNN比MSNN具有