[发明专利]基于改良型引力搜索方法的递回式小波艾尔曼神经网络

摘要

本发明公开基于改良型引力搜索方法的递回式小波艾尔曼神经网络,递回式小波艾尔曼神经网络包括五层神经网络配置，分别为输入层、隐藏层、上下文层、输出反馈层和输出层；改良型引力搜索方法包括以下步骤：初始化、适应性函数、小波突变、族群更新、计算不同方向的总力、加速度计算、更新粒子的速度与位置、重复步骤二至七，直到达到停止标准。本发明递回式小波艾尔曼神经网络基于改良型引力搜索算法的递回式小波艾尔曼神经网络应用于韦尔斯涡轮机叶片角度及发电机之转速来达成波浪发电，可让具备高占比与高渗透率的再生能源并网发电的电力系统维持良好的动态特性与瞬时稳定度。

主权项

1.一种基于改良型引力搜索方法的递回式小波艾尔曼神经网络,递回式小波艾尔曼神经网络包括五层神经网络配置，分别为输入层、隐藏层、上下文层、输出反馈层和输出层，其特征在于，所述递回式小波艾尔曼神经网络被初始化，基于梯度下降法的监督式学习被用来训练此网络系统，利用训练模式对递回式小波艾尔曼神经网络的参数进行调整，通过链规则的递归应用，首先计算出每层的误差项，能量函数E表示为：网络的训练过程如下：第四层权值W_lj更新第四层误差项的传递的计算如下：W_lj更新式子如下：W_lj(N+1)＝W_lj(N)+η₁ΔW_ljη₁是第四层权值W_lj的学习速率；第三层权值W_kj更新在第三层中，通过使用链规则，W_kj的更新法则为：W_kj(N+1)＝W_kj(N)+η₂ΔW_kjη₂是第三层权值W_kj的学习速率；第二层权值W_ij更新在第二层中，通过使用链规则，W_ij的更新法则为：W_ij(N+1)＝W_ij(N)+η₃ΔW_ijη₃是第二层权值W_ij的学习速率；平移和扩张参数分别为a_j和b_j的更新式如下：a_j(N+1)＝a_j(N)+η_aΔa_jb_j(N+1)＝b_j(N)+η_bΔb_jη_a和η_b为平移和扩张参数的学习速率；改良型引力搜索方法，即时线上调整学习速率(η₁,η₂,η₃,η_a,η_b)，优化递回式小波递回式小波艾尔曼神经网络，方法包括以下步骤：步骤一:初始化用来定义第i个粒子的位置，其中是第i个粒子的d维度值，族群大小为N；步骤二:适应性函数对于每个粒子，评估适合性值，为了计算适合度值，FIT为适应性函数的最适度计算式子，步骤三:小波突变在小波变换的基础上，对族群中的向量进行了变异，得到了一个具有良好调谐特性的小波变异操作F，用莫莱小波作为小波的母代入下式：步骤四:族群更新重心常数G是初始值G₀与时间t的函数；它在开始时初始化，并随着时间减少以控制搜索的精度，如下所示：α为常数,Iter是叠代次数，Itermax是最大叠代次数，重心和质量函数根据适应性评估计算；步骤五:计算不同方向的总力在计算了每一个粒子的质量之后，找到它们的加速度，根据牛顿法则，对每一个物体施加的一组较重的质量所产生的总力计算如下：步骤六:加速度计算基于牛顿法则，加速度的计算如下：R_ij(t)是两个粒子i和j之间的欧几里得距离，Kbest是前K个对象的集合；步骤七:更新粒子的速度与位置为了更新粒子在优化方法中的位置，我们计算了每个粒子的速度，根据以下方程式计算每个粒子的速度和新位置：x_i(t+1)＝x_i(t)+v_i(t+1)c₁与c₂是学习因子，rand₁()与rand₂()是两个介于0‑1的随机数，pbest(t)和gbest(t)是个别和全域的最优值；步骤八：重复步骤二至七，直到达到停止标准。