造价通

反馈
取消

热门搜词

造价通

取消 发送 反馈意见

输电线路覆冰厚度预测覆冰检测实现

2022/07/16118 作者:佚名
导读:输电线路覆冰厚度预测基于PNN 网络的覆冰检测实现 神经网络是运用样本学习, 在输入和输出结点建立非线形映射关系。它可以模拟复杂的因果关系,也可以不反映输入与输出之间的实际逻辑关系或因果关系, 而只是对其数量与结构关系的一种模拟。实际上, 这种映射是把系统视为整体, 把其运行状态作为一种模式来看待的, 用样本对人工神经网络的训练也是一种模拟人的模式思维的训练。 1、神经网络工具箱函数 通常使用神经

输电线路覆冰厚度预测基于PNN 网络的覆冰检测实现

神经网络是运用样本学习, 在输入和输出结点建立非线形映射关系。它可以模拟复杂的因果关系,也可以不反映输入与输出之间的实际逻辑关系或因果关系, 而只是对其数量与结构关系的一种模拟。实际上, 这种映射是把系统视为整体, 把其运行状态作为一种模式来看待的, 用样本对人工神经网络的训练也是一种模拟人的模式思维的训练。

1、神经网络工具箱函数

图1 程序涉及流程图 通常使用神经网络都是直接使用Matlab 提供的神经网络工具箱提供的模型, 这个工具箱几乎涵盖了常用的神经网络模型; 同时支持拓展功能,可以使用其他非常规神经网络工具箱进行扩充。对于多种模型, 工具还提供了各类学习算法, 为用户节省了很多时间。Matlab 工具箱中基本涵括了用于神经网络分析与设计需要使用的函数。

2、建立模型

在所有的神经网络建模中, 必须选取最有代表性, 最能反映问题的特征的特征量。如果选取的特征量不能做到尽量详细的描述问题的特征或没有足够的信息, 那么网络得出的诊断结论会受到很大影响。在这个模型中数据采集自中国气象科学数据共享网 , 导线覆冰天气多出于气温-5~3℃、相对湿度≥80%、风速0 ~ 4.5 m/ s 的情况下, 以此条件筛选数据, 最终获得123 组数据

3、程序实现(如图1)

输电线路覆冰厚度预测基于GRNN 网络的覆冰检测实现

图2 网络结构示意图 1、GRNN 网络简述

广义回归神经网络(generalized regression neural network) 是1991 年美国人Donald Specht 提出的。GRNN 是一种径向基( RBF) 神经网络, 是基于人脑的神经元细胞对外界反映的局部性而提出的, 是一种新颖而有效的前馈式神经网络, 它不仅具有全局逼近性质, 而且具有最佳逼近性质,如图2。GRNN 的结构由四层构成, 其结构接近于RBF 网络。

图3 程序设计流程图 GRNN 在学习上仍然使用的是BP 网络的算法具有优秀的逼近性, 在学习速度上优于RBF 网络。只需要调节网络的spread 值。网络的学习全部依赖数据样本, 这个特点决定了网络可以最大限度地避免主观假定对预测结果的影响。

2、数据归一化处理

Sigmoid 函数广泛应用于前馈型升级网络。在函数中输入量过大或者过小, 都会造成输出结果进入函数饱和区间。为了使样本获得最好的效果, 我们必须对样本数据进行归一化处理。需要将获得的样本数据需归一化在[-1, 1]之间。Matlab 提供了多种方法对数据进行归一化处理。

3、程序实现(如图3)

*文章为作者独立观点,不代表造价通立场,除来源是“造价通”外。
关注微信公众号造价通(zjtcn_Largedata),获取建设行业第一手资讯

热门推荐

相关阅读