搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种具有正弦基函数权值的反馈型神经网络模型

李承 石丹 邹云屏

引用本文:
Citation:

一种具有正弦基函数权值的反馈型神经网络模型

李承, 石丹, 邹云屏

A feedback neural network with weights of sinusoidal functions

Li Cheng, Shi Dan, Zou Yun-Ping
PDF
导出引用
  • 提出了一种新的两层反馈型神经网络模型. 该网络采用正弦基函数作为权值, 神经元激活函数为线性函数, 连接形式为两层反馈型结构. 研究并定义了该反馈型神经网络的能量函数, 分析了网络运行的稳定性问题, 并证明了在Liapunov意义下网络运行的稳定性. 网络运行过程中, 其权值不做调整(但随时间按正弦规律变化), 网络状态不断地转换. 随着网络状态变化其能量不断减小, 最终在达到稳定时能量到达极小点. 由于该反馈型神经网络权值为正弦函数, 特别适合于周期信号的自适应逼近和检测, 为实际中周期性信号检测与处理提供了一种新的、有效的网络模型和方法. 作为应用实例把该网络应用于电力系统中电压凹陷特征量实时检测, 仿真结果表明, 网络用于信号检测不仅有很高的静态精度, 而且有非常好的动态响应特性.
    A new feedback neural network model is proposed. The network has the sinusoidal basis functions as its weights. Neuronal activation function is a linear function. The network connection form is feedback structure. An energy function is defined for the feedback neural network. And then, the network stability issue in operation is analyzed. In the Liapunov sense, the proposed feedback network stability is proved. During the operation of the network, the network states are changed ceaselessly but network weights vary according to time-dependent sinusoidal law. As the network state changes continuously, its energy will be reduced. Finally, when network comes to a stable state, its energy arrivs at a minimum value. The network is particularly suited for the adaptive approximation and the detection for periodic signals because of its sinusoidal basis function weights. It is, in practice, a new and effective way for periodic signal detection and processing. The very good detection results are obtained in the detection of power system voltage sag characteristics. Simulation examples show that the dynamic response speed of the network is very high.
    • 基金项目: 国家自然科学基金(批准号: 50277017)资助的课题.
    • Funds: Project supported by the National Natural Science Foundation of China (Grant No. 50277017).
    [1]

    Xing H Y, Xu W 2007 Acta Phys. Sin. 56 3771 (in Chinese)[行鸿彦, 徐伟2007 物理学报 56 3771]

    [2]

    Watabe K, Shimizu K, Yonyama M 2003 IEEE Trans. MicrowaveTheory and Techniques 51 1512

    [3]

    Reznik L, Von Pless G., Al Karim T 2011 IEEE Sensors Journal11 791

    [4]

    Wei Q, Fung K S A, Chan F H Y 2002 IEEE Trans. on BiomedicalEngineering 49 225

    [5]

    Selvan S, Srinivasan R 1999 IEEE Signal Processing Letters 6 330

    [6]

    Li H Q, Liao X F, Huang H Y 2011 Acta Phys. Sin. 60 020512 (in Chinese)[李华青, 廖晓峰, 黄宏宇2011物理学报 60 020512]

    [7]

    Yuan X F, Wang Y N, Wu L H 2010 IEEE Transactions on VehicularTechnology 59 3757

    [8]

    Mevawalla Z N, May G S, Kiehlbauch M W 2011 IEEE Transactionson Semiconductor Manufacturing 24 182

    [9]

    Ma Q L, Zheng Q L, Peng H 2009 Acta Phys. Sin. 58 1410 (in Chinese)[马千里, 郑启伦, 彭宏 2009 物理学报 58 1410]

    [10]

    De W E, Chu Q P Mulder J A 2009 IEEE Trans. on Neural Networks20 638

    [11]

    Barbarosou M P, Maratos N G. 2008 IEEE Trans. Neural Networks19 1665

    [12]

    Qiu S S, Deng F Q, Liu Y Q 2004 Acta Auto. Sin. 30 507 (in Chinese)[邱深山, 邓飞其, 刘永清 2004 自动化学报 30 507]

    [13]

    Gao W X, Luo X J 2005 Trans. of China Elecrotechnical Society20 58 (in Chinese)[高炜欣, 罗先觉 2005 电工技术学报 20 58]

    [14]

    Ma Z E, Zhou Y C 2001 Qualitative and Stability Method of OrdinaryDifferential Equation(Beijing Science Press) pp78–95 (in Chinese)[马知恩, 周义仓 2001 常微分方程定性与稳定性方法(北京:科学出版社)第78—95页]

    [15]

    Chung Y H, Kim H J, Kwon G H 2007 IEEE on Power EngineeringSociety General Meeting070701-7

  • [1]

    Xing H Y, Xu W 2007 Acta Phys. Sin. 56 3771 (in Chinese)[行鸿彦, 徐伟2007 物理学报 56 3771]

    [2]

    Watabe K, Shimizu K, Yonyama M 2003 IEEE Trans. MicrowaveTheory and Techniques 51 1512

    [3]

    Reznik L, Von Pless G., Al Karim T 2011 IEEE Sensors Journal11 791

    [4]

    Wei Q, Fung K S A, Chan F H Y 2002 IEEE Trans. on BiomedicalEngineering 49 225

    [5]

    Selvan S, Srinivasan R 1999 IEEE Signal Processing Letters 6 330

    [6]

    Li H Q, Liao X F, Huang H Y 2011 Acta Phys. Sin. 60 020512 (in Chinese)[李华青, 廖晓峰, 黄宏宇2011物理学报 60 020512]

    [7]

    Yuan X F, Wang Y N, Wu L H 2010 IEEE Transactions on VehicularTechnology 59 3757

    [8]

    Mevawalla Z N, May G S, Kiehlbauch M W 2011 IEEE Transactionson Semiconductor Manufacturing 24 182

    [9]

    Ma Q L, Zheng Q L, Peng H 2009 Acta Phys. Sin. 58 1410 (in Chinese)[马千里, 郑启伦, 彭宏 2009 物理学报 58 1410]

    [10]

    De W E, Chu Q P Mulder J A 2009 IEEE Trans. on Neural Networks20 638

    [11]

    Barbarosou M P, Maratos N G. 2008 IEEE Trans. Neural Networks19 1665

    [12]

    Qiu S S, Deng F Q, Liu Y Q 2004 Acta Auto. Sin. 30 507 (in Chinese)[邱深山, 邓飞其, 刘永清 2004 自动化学报 30 507]

    [13]

    Gao W X, Luo X J 2005 Trans. of China Elecrotechnical Society20 58 (in Chinese)[高炜欣, 罗先觉 2005 电工技术学报 20 58]

    [14]

    Ma Z E, Zhou Y C 2001 Qualitative and Stability Method of OrdinaryDifferential Equation(Beijing Science Press) pp78–95 (in Chinese)[马知恩, 周义仓 2001 常微分方程定性与稳定性方法(北京:科学出版社)第78—95页]

    [15]

    Chung Y H, Kim H J, Kwon G H 2007 IEEE on Power EngineeringSociety General Meeting070701-7

  • [1] 胡志强, 李文静, 乔俊飞. 变频正弦混沌神经网络及其应用. 物理学报, 2017, 66(9): 090502. doi: 10.7498/aps.66.090502
    [2] 魏德志, 陈福集, 郑小雪. 基于混沌理论和改进径向基函数神经网络的网络舆情预测方法. 物理学报, 2015, 64(11): 110503. doi: 10.7498/aps.64.110503
    [3] 于舒娟, 宦如松, 张昀, 冯迪. 基于混沌神经网络的盲检测改进新算法. 物理学报, 2014, 63(6): 060701. doi: 10.7498/aps.63.060701
    [4] 朱霖河, 赵洪涌. 时滞惯性神经网络的稳定性和分岔控制. 物理学报, 2014, 63(9): 090203. doi: 10.7498/aps.63.090203
    [5] 曾喆昭. 不确定混沌系统的径向基函数神经网络反馈补偿控制. 物理学报, 2013, 62(3): 030504. doi: 10.7498/aps.62.030504
    [6] 张昀, 张志涌, 于舒娟. 基于幅值相位型离散Hopfield神经网络的多进制振幅键控盲检测. 物理学报, 2012, 61(14): 140701. doi: 10.7498/aps.61.140701
    [7] 张昀, 张志涌. 复数多值离散Hopfield神经网络的稳定性研究. 物理学报, 2011, 60(9): 090703. doi: 10.7498/aps.60.090703
    [8] 武浩, 朱拓, 孔艳, 陈卫, 杨建磊. 基于径向基函数神经网络的荧光光谱技术在菌种识别中的应用. 物理学报, 2010, 59(4): 2396-2400. doi: 10.7498/aps.59.2396
    [9] 刘金海, 张化光, 冯健. 基于视神经网络的混沌时间序列奇异信号实时检测算法. 物理学报, 2010, 59(7): 4472-4479. doi: 10.7498/aps.59.4472
    [10] 郑鸿宇, 罗晓曙, 吴 雷. 变权小世界生物神经网络的兴奋及优化特性. 物理学报, 2008, 57(6): 3380-3384. doi: 10.7498/aps.57.3380
    [11] 王瑞敏, 赵 鸿. 神经元传输函数对人工神经网络动力学特性的影响. 物理学报, 2007, 56(2): 730-739. doi: 10.7498/aps.56.730
    [12] 行鸿彦, 徐 伟. 混沌背景中微弱信号检测的神经网络方法. 物理学报, 2007, 56(7): 3771-3776. doi: 10.7498/aps.56.3771
    [13] 司马文霞, 刘 凡, 孙才新, 廖瑞金, 杨 庆. 基于改进的径向基函数神经网络的铁磁谐振系统混沌控制. 物理学报, 2006, 55(11): 5714-5720. doi: 10.7498/aps.55.5714
    [14] 刘光杰, 单 梁, 戴跃伟, 孙金生, 王执铨. 基于混沌神经网络的单向Hash函数. 物理学报, 2006, 55(11): 5688-5693. doi: 10.7498/aps.55.5688
    [15] 赵益波, 罗晓曙, 方锦清, 汪秉宏. 电压反馈型DC-DC变换器的稳定性研究. 物理学报, 2005, 54(11): 5022-5026. doi: 10.7498/aps.54.5022
    [16] 许志新. Birkhoff系统的守恒量与稳定性. 物理学报, 2005, 54(10): 4971-4973. doi: 10.7498/aps.54.4971
    [17] 郭会军, 刘君华. 基于径向基函数神经网络的Lorenz混沌系统滑模控制. 物理学报, 2004, 53(12): 4080-4086. doi: 10.7498/aps.53.4080
    [18] 刘 丁, 任海鹏, 孔志强. 基于径向基函数神经网络的未知模型混沌系统控制. 物理学报, 2003, 52(3): 531-535. doi: 10.7498/aps.52.531
    [19] 张 强, 高 琳, 王 超, 许 进. 时滞双向联想记忆神经网络的全局稳定性. 物理学报, 2003, 52(7): 1600-1605. doi: 10.7498/aps.52.1600
    [20] 王宏霞, 虞厥邦. 细胞神经网络平衡态的稳定性分析. 物理学报, 2001, 50(12): 2303-2306. doi: 10.7498/aps.50.2303
计量
  • 文章访问数:  7910
  • PDF下载量:  902
  • 被引次数: 0
出版历程
  • 收稿日期:  2011-05-09
  • 修回日期:  2012-04-05
  • 刊出日期:  2012-04-05

/

返回文章
返回