一种新型的局部连接BP网络模型及其在电力系统参数辨识中的应用

摘要：

　　局部连接神经网络简化了网络结构,提升了网络收敛速度和减少了网络训练复杂度,可用于函数逼近和系统建模。为了采用直观的建模方式对实际系统网络拓扑逼近,对此本文提出一种新型的局部连接BP网络模型(Local BP Neural Network ,LBPNN)。该模型的网络结构可以模拟任意前馈型网络拓扑结构,其网络模型中的连接权和神经元与被模拟的网络拓扑中的边和节点一一对应。传统带约束的非线性规划和智能优化算法,其参数辨识受限条件多和算法代价较大,本文同时提出了与LBPNN模型相应的一种新型的带约束的随机梯度下降法(Constrained Stochastic Gradient Descent ,CSGD)对其权值参数进行训练。通过仿真验证了CSGD训练算法的鲁棒性和有效性。最后通过在电力系统参数辨识中的应用,验证了该模型可对电力系统的模糊Petri网(Fuzzy Petri Net, FPN)进行拓扑逼近和确定FPN的权值参数。

关键词： 局部连接神经网络 随机梯度下降法 参数辨识 受控训练

作者: 钱坤 王天真 汤天浩 Christophe Claramunt

作者单位: 上海海事大学物流工程学院,上海200135 上海海事大学物流工程学院,上海200135;法国海军学院计算机科学学院法国布雷斯特 法国海军学院计算机科学学院法国布雷斯特

会议类型: 国际会议

会议名称: The 33th Chinese Control Conference第33届中国控制会议

会议地点: 南京

会议语种:中文

页码: 6775-6780

在线出版日期: 2014-07-28（万方平台首次上网日期，不代表论文的发表时间）