ارائه یک ساختار انعطاف پذیر بهینه قابل بازسازی در حین آموزش در شبکه های عصبی

در این مقاله از شبکه های عصبی انعطاف پذیربا قابلیت بازسازی خود در حین آموزش برای تعیین هارمونیکهای جریان استاتور ژنراتور، در بارهای مختلف استفاده شده است زیرا یکی از روشهای تشخیص خطای ژنراتور در حین کار، آنالیز هارمونیکهای جریان استاتور می باشد. داده های آموزش دهندۀ شبکه عصبی با استفاده از مدل سازی ژنراتور و استفاده از روش المان محدود ) ( FEو فضای حالت  SSدر نقاط مختلف بار روی منحنی بهره برداری ژنراتور برای سه سطح مختلف ولتاژ پایانه بدست آمده است. شبکۀ عصبی که با استفاده از این داده ها آموزش داده شده است، یک شبکۀ پرسپترون با یک لایۀ پنهان و با قانون یادگیری پس انتشار خطا می باشد. نتایج نشان می دهد که شبکه عصبی انعطاف پذیر بهینه آموزش داده شده با خطای کمتر از ده درصد می تواند هارمونیکهای جریان را برای نقاط بار دلخواه روی منحنی بهره برداری، نسبت به نتایج حاصل از الگوریتم به دست آورد که این علاوه بر حل مشکل تعیین تعداد نرونها,بهبود زیادی را در خطای خروجی نسبت به شبکه های معمولی نشان می دهد CFE-SS