BP神经网络在变压器故障诊断中的应用.pptx

第三章 BP 神经网络在变压器故障诊断中的应用;第三章 BP 神经网络在变压器故障诊断中的应用;3;4;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断 遗传算子操作后，产生最优解。 ;6;7;;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断;10;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断 到 0.0001，因此神经网络所有权值和阈值需要按照其内部次序连成一个长串， 而神经网络的每个权值便对应着串上的每一个位置。 ;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断;13;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断 个体本身)相联系，变异范围在演化的初期会比较大，但是随着演化进程的不断 推进，可变异的空间就变的越来越小。这无形当中起了一种自我调整的作用， 也就是让适应度小的个体在较大的变异范围内搜索，使其更容易发生变异，这 也使得该个体适应度变大的几率增加。其具体描述如下： 假设父代为 A =（x1, x2 ,? xk ,?, xn ) ，其定义区间为为（ak , bk ) 。将父代因子 xk 变异后生成的新的父代为 A= (x1 , x2 ,? xk ,?, xn ) 。 xk 随机变异的方式有两 种，如下式所示： xk + ?(t, bk - xk ), rnd(2) = 0 xk = （4-7） xk - ?(t, xk - ak ), rnd(2) = 1 ;;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断 初始化种群P，设定变异交叉概率并对任意一个权值W（1 i, j) 、阈值 B1 ( j) 和W2 ( j,k) 、B2 (k) 进行初始化；种群规模设置为 30，编码方式为实数编码，遗 传进化的最大迭代次数设置为 200。 计算每个个体适应度，再按照概率 Pi 进行选择： ;17;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断 标曲线和遗传算法误差平方和曲线以及适应度曲线。如下所示： 回想结果= ;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断;第四章 基于改进遗传算法优化 BP 神经网络的变压器故障诊断;21;22;23