神经网络的训练方法
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络的训练方法范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络的训练方法范文第1篇
1基于贝叶斯算法的BP神经网络
1.1贝叶斯算法基于贝叶斯算法的BP神经网络是基于贝叶斯定理而发展出来的用于解决统计问题的方法，即任意一个待求量都可以看作是一个随机变量，因此可以通过概率分布来对待求量进行描述，这个概率是在抽样前就有的关于待求量的先验概率分布。贝叶斯理论正是在没有样本信息时，只根据先验概率分布来求解待求量。而在有样本后，则可根据总体、样本和先验信息的联合分布来对未知量进行判断。后验分布π（θ|x）是反映人们在抽样后对随机变量θ的认识，其与先验分布即样本x的差异是由于样本出现后人们对θ的调整，即后验分布π（θ|x）为抽样信息对先验分布π（θ）调整的结果[6]。
1.2贝叶斯算法BP神经网络基于贝叶斯算法的BP神经网络是一种以神经网络基本原理为构架，通过引入贝叶斯推理有效地控制网络模型的复杂度，进而更好地解决非线性问题及其不确定性[7]。在BP神经网络中，训练样本集为D（xm，Om），xm为输入信号，Om为输出节点，在一定的网络结构A与网络参数W下，可以得到网络的输出由网络的输入D唯一的确定。网络训练的目标函数为误差函数ED（D|W，A），则有。采用贝叶斯算法BP神经网络步骤如下：（1）确定网络结构A，初始化超参数α，β，对网络参数W进行赋值。（2）以最终目标函数为M（W）最小为原则，对BP神经网络进行训练，寻找最优可能网络参数W。（3）寻找最优可能参数α，β。（4）采用不同初始网络参数寻找最优网络参数。（5）对不同网络结构A，寻找最优网络参数。
2贝叶斯算法的BP神经网络量化结果分析
2.1训练样本与测试样本在对管道进行磁化的过程中，最常用的方法是沿管道轴向进行磁化，提取缺陷处沿轴向变化的漏磁场与沿周向变化的漏磁场，缺陷的长度信息主要由沿轴向变化漏磁场反应，缺陷的宽度信息主要由沿周向变化的漏磁场反应，而缺陷的深度信息则是由这两个量共同反应[9]。本文采用实验的方法获取网络所需样本，这里以对陡壁缺陷的分析为例，研究贝叶斯算法的BP神经网络对陡壁缺陷量化的有效性。分别制作缺陷长度为3，3.5，4，4.5，5，5.5倍管道壁厚，宽度为0.5，1，1.5，2倍管道壁厚，深度为0.1，0.15，0.2，0.25倍管道壁厚，共得到96组测量结果，取其中80个缺陷特征作为网络的训练样本，剩余的16个缺陷特征作为测试样本。
2.2长度的量化采用统计分析的方法选取与缺陷长度关系密切的特征量作为神经网络的输入信号，将缺陷长度作为网络的输出信号来对网络进行训练。所选取主要特征有漏磁场轴向分量的静态阈值截取长度、一阶微分信号极小值的位置与周向变化漏磁场动态阈值截取长度。分别对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，当均方误差小于10-3时停止训练，得到两种网络的训练与学习过程如图1所示。比较两种算法训练过程可以看出贝叶斯算法的BP神经网络总共进行了331次训练，而基本的BP神经网络总共进行了1789次训练，可见贝叶斯算法的BP神经网络的收敛速率更快。用16组测试数据对两种网络长度的量化误差进行比较，得到量化后缺陷最大相对误差与最小相对误差如表1所示，对应贝叶斯算法BP神经网络量化的缺陷如表2所示。从表2中可以看出，采用贝叶斯算法的BP神经网络量化得到的缺陷长度与设计值的误差明显小于基本的BP神经网络，最大相对误差仅为0.05%。
2.3宽度的量化与缺陷长度的量化相似，采用统计分析的方法选取与缺陷宽度关系密切的特征量作为神经网络的输入信号，将缺陷宽度作为网络的输出信号来对网络进行训练。所选取主要特征有轴向变化漏磁场峰谷值、周向变化漏磁场波形面积、波形能量、静态阈值截取长度。分别对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，当均方误差小于10-3时停止训练，得到两种网络的训练与学习过程如图2所示。比较两种算法训练过程可以看出贝叶斯算法的BP神经网络总共进行了269次训练，而基本的BP神经网络总共进行了2248次训练，可见引入贝叶斯算法后的BP神经网络的收敛速率大幅提升。与之前相同，用16组测试数据对两种网络宽度的量化误差进行比较，得到量化后缺陷误差如表3所示，贝叶斯算法BP神经网络量化达到误差的缺陷见表4。在对缺陷宽度进行量化的过程中，尽管量化得到的最大相对误差仍较大，采用贝叶斯算法的BP神经网络量化得到的缺陷宽度与设计值的误差明显小于基本的BP神经网络。
2.4深度的量化在对缺陷的深度进行量化时，采用统计分析的方法选取了缺陷的长度、宽度以及轴向变化漏磁场的两个峰谷值、波形面积、周向变化漏磁场峰值、峰谷值作为神经网络的输入信号，将缺陷深度作为网络的输出信号来对网络进行训练。对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，得到两种网络的训练与学习过程如图3所示。贝叶斯算法BP神经网络总共进行了4152次训练，基本的BP神经网络总共进行了8763次训练，尽管引入贝叶斯算法BP神经网络的训练过程仍旧较长，但比基本BP神经网络的收敛速率有所提升。用16组测试数据对两种网络深度的量化误差进行比较，得到量化后缺陷误差如表5所示，贝叶斯算法BP神经网络量化达到误差的缺陷见表6。从对缺陷深度量化结果可以看出，采用贝叶斯算法的BP神经网络对缺陷深度进行量化，得到的缺陷深度与设计值的误差小于基本的BP神经网络。
3结束语
神经网络的训练方法范文第2篇
【关键词】大学生身体素质评估 遗传算法 BP神经网络 MATLAB计算程序
在校大学生是国家重要的人才后备力量，大学生的身体素质培养和锻炼是学校体育教学中关注的重点。对大学生身体素质进行科学、切实的评价可制订更为有效的培养方案，帮助大学生提高其身体素质。身体素质评价就是将大学生的身体形态、生理机能及运动能力等方面的数据综合起来进行评价[1]。从以往的研究成果看，对大学生身体素质评价集中于采用概率统计、多元回归分析和神经网络[2]的方法。然而，概率统计仅得到整体评价结果，多元回归分析预测精度较低，且两者受样本空间影响较大。为此，本文利用遗传算法来训练初始网络模型，再用BP算法来进行精确求解，是对神经网络评估大学生身体素质的进一步优化应用。
基于遗传算法的BP神经网络理论
通过把神经网络和遗传算法合理、科学的结合，既能够利用神经网络较强的学习能力，又发挥了遗传算法全局寻优的搜索功能。首先利用遗传算法得到权值的较优初始取值，训练网络避免了局部极小，利用BP神经网络训练次数和最终权值也相对稳定，训练速度明显加快，从而既节约了时间，又提高了预测结果的准确性。
1.基于遗传算法的BP神经网络结构
BP网络的学习规则采用最速下降法，利用遗传算法根据训练目标函数对网络权值进行迭代，找到最佳初始网络权值。通过反向传播来不断调整网络权值，使网络误差平方和最小，该系统的网络结构，如图1所示。先对大学生身体素质的评估指标进行分类，抽取大学生身体素质的特征指标，并作为输入信息送入由输入层、中间层和输出层组成的三层网络模型进行评估。经过测试的网络，成为稳定的模式评估器，即可输出评估结果[3，4]。
该模型的输入层节点数为n，即大学生身体素质评价指标数，中间层节点数为 ，输出层节点数为1，即身体素质评估结果值，ωij和ωj为BP神经网络权值，初始化隐含层阈值为ɑ，输出层阈值为b，由此可给定学习速率和神经元激励函数。从图1可发现，BP神经网络可以看成一个非线性函数，网络输入值和输出值分别为该函数的自变量和因变量。当输入层节点数为n，输出层节点数为1时，BP神经网络就表达了从n个自变量到1个因变量的函数映射关系。
2.基于遗传算法的BP神经网络算法
遗传算法优化BP神经网络的核心是用遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好地预测函数输出，计算流程如图2所示。
1.背景资料
根据本校某班2011年大学生身体素质测评成绩，从中选取30名学生的测试结果作为神经网络的训练样本和校验样本。结合遗传算法和BP神经网络算法，在大型数学计算软件MATLAB中编程实现基于遗传算法的BP神经网络大学生身体素质评估[4]。
2.计算结果与分析
遗传算法优化过程中最优个体的适应度变化（如图3）。把最优初始权值、阈值赋给神经网络，用训练数据训练100次后，得到基于遗传算法的BP神经网络预测值。为了对比分析，也进行了BP神经网络预测分析（如图4）。
从图4可看出，采用BP神经网络及遗传算法优化的BP神经网络两种算法得到的预测结果，与专家判断（实际值）基本一致。但基于遗传算法的BP神经网络较BP神经网络预测精度高。特别在输入节点，即评价大学生身体素质的指标较多时，基于遗传算法的BP神经网络预测效果要好一些。
结 论
1.本文提出了基于遗传算法的BP神经网络大学生身体素质评价算法，并建立了相应的网络模型。
2.基于遗传算法的BP神经网络算法不但具有神经网络的函数逼近能力，而且应用遗传算法优化BP神经网络的权值、阈值，可使优化后的神经网络避免训练时间长、易陷入局部极值的缺点。
3.结合实例，将基于遗传算法的BP神经网络大学生身体素质评价算法，应用于本校学生身体素质评估。结果表明，该算法较BP神经网络预测精度及效率高，可作为今后大学生身体素质评价的一种新方法。
参考文献：
[1]范正森，张明如，周瑞琪.大学生身体素质综合评价数学模型[J].武汉工业大学学报，2001，4：92-94.
[2]陈海英，郭巧.短跑运动能力的神经网络评价方法[J].北京理工大学学报，2003，1：54-57.
[3]陈刚，何政伟，杨斌，杨洋.遗传BP神经网络在泥石流危险性评价中的应用[J].计算机工程与应用，2010，46（3）.
神经网络的训练方法范文第3篇
关键词：BP神经网络 动量因子法 变步长法 学习速率
1.引言
人工神经网络（Artificial Neural Networks，ANN）是通过对人脑神经元建模、联结模拟生物脑或世界系统的网络模型，是一种具有学习、记忆和模式识别等智能信息处理功能的人工系统。通常研究和使用的十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART网络模型。其中的BP神经网络是基于反向传播（BackPropagation）的网络，也是神经网络领域中研究最多、应用最广的网络模型。它采用最小均方差的学习方式，可用于函数逼近及语言综合、识别和自适应控制等。
2.标准BP神经网络算法
BP算法作为前馈网络的主要学习算法，对神经网络的推广应用起了举足轻重的促进作用。标准的BP网络，优化计算的方法很多，比较典型的是采用一阶梯度法，即最速下降法。在BP神经网络训练中，主要是针对一定的输入，所得到的输出是否与期望输出接近，即误差的代价函数达到最小。其简单的实现步骤为：（1）通过网络输入反向传播；（2）通过网络将敏感性反向传播；（3）使用近似均方误差的BP算法更新权值和偏置值。
标准的BP算法因具有简单、易行、计算量小及并行性强等优点，是目前神经网络训练采用最多、最成熟的训练算法。由于BP网络中待寻优的参数太多，往往导致算法收敛速度慢。对于复杂问题，训练过程需迭代几千、几万次才能收敛到期望的精度。因此，标准的BP网络在很大程度上实用性不强，尤其对于实时性很强的系统而言。
3.BP算法的改进
BP多层前馈网络已成为神经网络的重要模型之一，但实际上的BP多层前馈网络并不是利用标准的BP算法对网络进行训练的，而是对BP算法进行了启发式改进。
（1）增加动量因子法
BP算法的神经网络的误差曲面具有不同的区域有不同的误差改变率的特点。假若开始训练的学习速率较高，那么算法的收敛速度可能很快。但当迭代进入的区域包含极小点时，此时算法发散，来回振荡，收敛不到极小值点。如果用平均改变参数的方法进行轨迹的过滤，就可以对震荡进行平滑并可产生稳定的轨迹。当动量滤波器的参数得到了改变，获取反向传播的动量，使用了动量项，可以在保证算法较为稳定的前提下，在网络训练进入局部最小值时产生一个继续向前的正向斜率运动，使得搜索能够跳出较浅的峰值；当网络搜索位于误差曲面平坦区的区域时，该方法能够较快地提高训练速度。
（2）变步长法
变步长法通过调整网络训练的学习率，故也称为可变学习速率的方法。BP算法中对连接权值的调整，取决于两个因子，即学习速率和梯度。其中通过调整学习速率提高算法收敛收率的方法，是当前认为最简单、有效的方法。学习率不能随意选取，选得太小，收敛会变慢；选得太大，可能调整过多，使得算法振荡或发散。所以，在对学习率进行调整时，一般遵循的准则是：首先检查修正值，看该值是否明显降低了误差。如果降低了，则学习率的值选取偏小，可以作为对学习率调整的参考；否则，学习率值调整过大，就应该对该值进行减小。增加可变速率参数后，得到改进的BP算法如下：
①如果整个训练集上的均方误差权值在更新后增加的，且该值超过了预设的某个百分数，如：1%～5%，则不对权值进行更新。学习速率被乘以一个大于零且小于1的因子，并且动量系数被设置为0。
②如果均方误差在权值更新后变小了，则接受权值更新。学习速度将被乘以一个大于1的因子。假若学习率被设置为0，则恢复之原来的值。
③如果均方误差的增长变小，则权值更新被接受，但学习速度保持不变。如果学习率过去被设置为0，则恢复到以前的值。
4.实验结果
分别对目标误差为0.001的网络训练。实验结果如下：
（1）采用标准BP网对样本进行训练，迭代次数近5000次尚未收敛。
（2）采用增加动量法，迭代375次，学习过程收敛。
（3）采用变步长法，迭代1728次收敛。
由此可见，未改进的标准BP学习算法存在收敛速度慢的缺陷；改进后的BP学习算法都从不同程度上提高了算法的收敛速度，训练的次数大大减小了。对BP算法采用启发式改进措施后，明显提高了学习速度。
神经网络的训练方法范文第4篇
关键词： 谐波； 间谐波； 全相位快速傅里叶变换； 人工神经网络； 虚拟仪器
中图分类号： TN711?34； TM417 文献标识码： A 文章编号： 1004?373X（2017）01?0125?04
Abstract： On the basis of analyzing the available harmonic detection methods， the harmonic and interharmonic detection method based on all?phase fast Fourier transform and artificial neural network is studied. A new harmonic detection method based on all?phase fast Fourier transform and BP neural network is proposed to solve the problem of low harmonic detection precision. And a harmonic detection method based on all?phase fast Fourier transform and adaptive neural network is used to further improve the accuracy of harmonic detection. A harmonic detection software based on all?phase fast Fourier transform and adaptive neural network was designed on virtual instrument software development platform LabWindows/CVI. The software can realize the detection of harmonic amplitude and phase and calculation of total harmonic distortion， and give an alarm when the total harmonic distortion is out of limit.
Keywords： harmonic； interharmonic； all?phase fast Fourier transform； artificial neural network； virtual instrument
在理想情况下，电力系统的电能应该是具有单一频率、单一波形和若干电压等级的正弦电压信号。但是实际生产生活中由于一些原因，电网中的电能很难保持理想的波形，实际的波形总是存在偏差和形变，这种波形畸变称为谐波畸变[1]。造成谐波畸变的原因是电网中存在大量的电力系统谐波。随着谐波污染问题愈加严重，其产生的危害也越来越广泛。因此，谐波检测问题具有十分重要的研究价值和意义[2]。
1 基于全相位快速傅里叶变换和BP神经网络
的谐波检测
1.1 谐波相角检测
全相位快速傅里叶变换具有相位不变性。利用该性质对电网电压信号的采样值进行全相位快速傅里叶变换谱分析，获得高精度的谐波相位值[3]。其步骤如下：
（1） 采集电网信号，获取个采样值。
（2） 对采样数据进行全相位快速傅里叶变换谱分析，获得幅值谱和相位谱。
（3） 全相位快速傅里叶变换所得的幅值谱受到栅栏效应的影响无法获得准确的谐波信号幅值，但是幅值谱在谐波相应的频率附近会出现峰值谱线，通过读取该峰值谱线对应的相位值即可得到精确的谐波相位[4]。
1.2 基于BP神经网络的谐波幅值检测
选择BP神经网络作为谐波幅值的检测方法。基于BP神经网络的谐波幅值检测分为以下步骤：
（1） 构建谐波检测BP神经网络结构
传统的BP神经网络谐波检测网络由输入层、隐含层、输出层构成[5]。本文构建的网络仅含有一个隐含层。由于传统结构的BP神经网络输出层各神经元共用同一个隐含层，相互之间影响比较严重，存在谐波幅值检测精度不高的问题。因此本文采用改进的BP神经网络结构，输入层、输出层设置不变，仅使输出层的每一个神经元分别都对应一个隐含层，解决了各待测谐波相互影响的问题，提高了谐波检测的精度。
（2） 确定谐波检测BP神经网络学习算法
设电网中电压信号为一周期性非正弦信，对做一个周期内的等时间间隔采样。采样数据作为神经网络的输入。隐含层的输出为。输出层为分别对应三次谐波和五次谐波幅值[6]。由于各次谐波具有相同的学习算法，在此仅以三次谐波为例，介绍其学习算法。三次谐波的隐含层和输出层的输出为：
（3） 选取谐波检测神经网络训练样本
在实际检测时以检测奇次谐波中次数较低的谐波为主。本文谐波检测前通过滤除基波和更高次的谐波，选取由三次谐波和五次谐波组成的谐波电流为例说明训练样本的选取过程[7]。谐波电压可以表示为：
（4） 学习样本选取完成后，按照BP神经网络的训练过程训练神经网络。待训练结束，获取神经网络各个连接权值，从而固定BP神经网络结构和连接权值，完成对谐波幅值的记忆。其后只需要采集电网信号作为同相位条件下的BP神经网络的输入，即可从网络输出获取信号中所含的各次谐波幅值。
1.3 谐波检测仿真实验
本仿真只对某个相位条件下的BP神经网络对三次和五次谐波的幅值进行仿真验证。在三次谐波的相位为30°，五次谐波的相位为60°的条件下采用训练样本选取方法，获取676组训练样本，离线训练谐波检测BP神经网络。仿真程序流程如图1所示。
训练完成后，选择多组相位同为30°和60°未训练的样本仿真验证谐波幅值检测的精度。通过实验可以看出，BP神经网络谐波幅值检测方法结果比插值FFT具有更高的精度。通过增加训练样本个数可进一步提高神经网络谐波幅值检测的精度。
2 基于全相位快速傅里叶变换和自适应神经网
络谐波检测
2.1 检测步骤
基于全相位快速傅里叶变换和自适应神经网络的谐波检测方法的具体步骤如下：
（1） 采集训练样本。设定采样频率和采样时间，采集电网电压信号，为全相位快速傅里叶变换提供分析数据，为自适应人工神经网络提供训练样本。
（2） 确定谐波初相位。将电网信号采样数据经过全相位快速傅里叶变换分析，在分析结果的幅值谱中找出峰值谱线，并由峰值谱线对应的相位值获取各谐波的高精度相位。
（3） 初始化谐波幅值检测神经网络。利用谐波相位检测结果设置神经网络参考输入向量中的各次谐波相位值。
（4） 计算误差读取一次训练样本，根据采样时间计算神经元输出与此刻的电网信号采样值做差，进而计算误差函数和性能指标。
（5） 根据误差调整神经网络权值。
以最小均方差法（LMS）作为谐波幅值检测自适应神经网络的学习算法，则权值调整公式，即谐波幅值调整公式为：
（6） 判断是否等于训练样本总数如果是，再判断是否达到最大训练次数。若达到最大训练次数则结束训练转至下一步。若未达到，则需计算并判断是否达到性能指标要求，达标则转至下一步，不达标则返回步骤（4）再次执行。如果否，返回步骤（4）继续执行。
（7） 训练结束。根据所得神经网络权值获得各次谐波幅值。
2.2 谐波检测仿真
取511个电网信号采样点经过apFFT分析后，可以看出该谐波相位检测具有很高的精度。利用apFFT分析结果初始化神经网络，并取50组训练样本训练神经网络，可以看出性能指标函数的值在训练次数足够大的情况下可以达到，在经过10次以内的训练后基波和谐波检测值趋于稳定。由实验数据可以看出本文采用的方法极大地提高了谐波幅值的检测精度。
3 基于全相位快速傅里叶变换和增强型自适应
神经网络的间谐波检测
3.1 增强型自适应神经网络间谐波检测模型
谐波检测中在基波频率已知的情况下，由于谐波频率为基波频率的整数倍，因而谐波频率无需检测。但是对于间谐波检测，由于间谐波频率为基波频率的非整数倍，无法通过基波频率获知间谐波频率，因此在间谐波检测时，需要将间谐波的频率也作为检测项[8]。为此，将应用于间谐波检测的自适应神经网络结构设计成如图3所示的形式。
3.2 谐波检测步骤
基于全相位快速傅里叶变换和增强型自适应神经网络的间谐波检测步骤如下：
（1） 信号采集和apFFT分析。将电网信号滤除已测量的基波、谐波信号后得到由间谐波构成的信号，采样并经apFFT算法分析后，得到幅值谱和相位谱。
（2） 神经网络结构的确定和初始化。由于神经网络中间层神经元的个数等于间谐波个数，因此通过apFFT幅值谱峰值谱线的个数确定神经元个数。分别确定间谐波频率和幅值的学习率和动量因子。设定神经网络的最大训练次数，开始人工神经网络的训练。
（3） 计算误差。读取一次训练样本，根据式（11）计算神经网络实际输出，并与此刻的采样值做差，进而计算误差函数和性能指标。
（5） 判断是否等于训练样本总数如果是，再判断是否达到最大训练次数。若达到最大训练次数则结束训练转至下一步。若未达到，则需计算并判断是否达到性能指标要求，达标则转至下一步，不达标则返回步骤（3）再次执行。如果否，返回步骤（3）继续执行。
（6） 学习结束。学习结束后，通过激励函数的角频率获取间谐波频率，通过神经网络权值得到间谐波幅值。
3.3 间谐波检测仿真
设基波频率为50 Hz，采样频率为2 560 Hz，采集511个点。利用apFFT的分析结果初始化神经网络。设置间谐波幅值调整的学习因子=0.01，设置动量因子=0.3，随后开始训练神经网络。从实验数据可得，网络经过70次左右的在线训练后基本收敛。经过70次训练后幅值误差都达到了以下，频率误差达到了以下。通过对原始间谐波叠加信号波形和检测得到的间谐波组合信号波形进行对比可知，基于全相位快速傅里叶变换和增强型自适应神经网络的间谐波检测方法具有更高的检测精度。
4 LabWindows/CVI谐波检测软件实现
4.1 谐波检测系统设计方案
针对电力系统中存在C波问题，利用LabWindows/CVI和计算机设计虚拟谐波检测仪器。主要实现的功能是分析数据采集卡采集的电网电压数据，利用apFFT和自适应线性神经网络算法获取高精度的谐波电压幅值和谐波初相位，并通过计算机显示出检测结果。利用检测结果计算总谐波畸变率，当畸变率超过标准值时给出警报。首先获取电网电压采样信号，进而将采样信号经过全相位快速傅里叶变换分析得到基波和各次谐波信号的高精度相位值，通过获得的相位值设置自适应神经网络激励函数中的谐波相位值，随后利用采样数据在线训练神经网络获得基波和各次谐波的幅值。
4.2 谐波检测系统软件设计过程
基于LabWindows/CVI的谐波检测软件设计过程可分为以下步骤：
（1） 启动LabWindows/CVI编程环境，创建谐波检测软件工程。
（2） 在用户界面编程窗口，根据谐波检测的功能要求设计虚拟仪器用户面板。在面板上添加相应控件，控件分布设计完成后，需要对控件属性及其对应的回调函数进行设置，使得点击或使用这些控件时能够得到有效的响应。
（3） 用户界面设计并保存完成后，LabWindows/CVI自动生成程序代码的主体框架，并通过菜单栏CodeGenerateMain Function生成main函数和各个控件对应的回调函数框架程序。
（4） 在各个控件对应的回调函数内编写实现其功能的程序代码，例如本文在主面板开始检测按钮对应的回调函数内部编写apFFT和神经网络谐波检测算法的代码，以实现谐波检测功能。
（5） 完成代码编写、调试和运行程序。
4.3 检测软件实验测试
本文通过读取两组离线测量数据对谐波检测功能进行实验检测。通过第一组数据的检测结果可以看出谐波幅值较基波幅值低很多，且奇次谐波的幅值较偶次谐波幅值高。通过apFFT采样数据分析的结果中，测量信号波形和基波波形的对比可以看出谐波对基波波形的影响较小。实验结果表明该软件具有很好的谐波检测精度。
通过第二组数据的检测结果看出谐波总畸变率超出设定值（4%），谐波畸变率告警灯变为红色，同时告警对话框弹出。谐波检测的结果同时在表格和柱形图中显示。将测量信号、谐波叠加信号和基波信号的波形进行对比，谐波对电网电压的波形影响仍然很有限，保证了电网中负载的用电安全。此次谐波检测的检测结果，检测精度仍然较高。
5 结 论
本文主要对基于全相位快速傅里叶变换和神经网络的谐波、间谐波检测方法进行了研究。针对现有成熟的谐波检测算法检测精度不高的问题，提出了基于全相位快速傅里叶变换和BP神经网络的谐波检测算法；为了进一步提高谐波检测精度，减小对训练样本的依赖，扩大谐波检测算法的适用范围，提出了基于全相位快速傅里叶变换和自适应神经网络的谐波检测算法；针对电力系统间谐波检测问题，通过调整自适应神经网络结构，提出了基于全相位快速傅里叶变换和增强型自适应神经网络的谐波检测算法；利用虚拟仪器开发平台LabWindows/CVI设计了基于全相位快速傅里叶变换和自适应神经网络的谐波检测软件，最后利用两组数据验证了软件功能。
参考文献
[1] 肖雁鸿，毛筱.电力系统谐波测量方法综述[J].电网技术，2002，26（6）：61?64.
[2] 聂晶晶，许晓芳，夏安邦，等.电能质量监测及管理系统[J].电力系统自动化设备，2005，25（10）：75?77.
[3] 王子绩，孟鑫，张彦兵，等.基于瞬时无功功率理论的新型谐波检测算法[J].电测与仪表，2012，49（4）：9?13.
[4] 刘桂英，粟时平.利用小波傅里叶变换的谐波与间谐波检测[J].高电压技术，2007，33（6）：184?188.
[5] 危韧勇，李志勇.基于人工神经元网络的电力系统谐波测量方法[J].电网技术，1999，23（12）：20?23.
[6] 王凯亮，曾江，王克英.一种基于BP神经网络的谐波检测方案[J].电力系统保护与控制，2013（17）：44?48.
[7] 付光杰，曲玉辰，郭静.RBF神经网j在谐波检测中的应用[J].大庆石油学院学报，2005，29（6）：76?79.
神经网络的训练方法范文第5篇
[关键词] 神经网络； GPS高程模型； 训练样本
1 引言
BP神经网络算法是一种反向传播学习算法，把学习的结果反馈到中间层次的隐单元，改变它们的权系矩阵，从而达到预期的学习目的，它是一种自适应的映射方法，没做假设，能减少模型误差，它是迄今为止应用最广泛的神经网络。
2 BP神经网络算法
（3）BP算法的流程如图2-2所示。
3 GPS水准精度评定标准
⑴ 内符合精度
4 实例应用
本算例使用的数据是某矿区D级GPS高程控制网数据，共布设了36个GPS控制点，并实施了四等水准。采用三层式神经网络，隐含层确定由于没有固定的方法，根据经验，一般在5-7个为最好，本试验分别采用5个隐含层，6个隐含层和7个隐含层对数据进行训练，
（1）方案一 采用5个隐含层，样本集的训练精度目标为1mm，分别训练5000次，7000次，10000次，检核点的精度分布情况见表4-1、表4-2。
（2）方案二采用6个隐含层，样本集的训练精度目标为1mm，分别训练5000次，7000次，10000次，检核点的精度分布情况见表4-3、表4-4。
（3）方案三 采用7个隐含层，样本集的训练精度目标为1mm，分别训练5000次，7000次，10000次，检核点的精度分布情况见表4-5、表4-6。
5 结论
（1）BP网络法用于求高程异常是一种可行的方法，并且有较高的精度。
（2）在同一样本集进行训练时，训练的次数越多，相应的外符合精度越高，但达到一定的训练次数时，训练的外符合精度反倒不好。
（3）在不同样本集中，样本集越多，网络的智力越高，对工作集的拟合效果越好，外符合精度相应也越高。
[参考文献]
[1] 孔祥元，梅是义.控制测量学[M].武汉：武汉大学出版社，2004
[2] 闻新，周露，李翔.MATLAB神经网路仿真与应用[M].北京：科学出版社，2003.
[3] 韩力群.人工神经网络教程[M].北京：北京邮电大学出版社2006.
[4] 阎平凡，张长水.人工神经网络与模拟进化计算[M].北京：清华大学出版社，2005.
[5] 匡翠林.高精度GPS水准算法研究及其应用[D].中南大学，2004
[8] 杨永平，冯立清，兰孝奇；神经网络法在GPS高程拟合中的应用[J].三晋测绘，2004（1）：11-15
