基于改良型引力搜索方法的递回式小波艾尔曼神经网络
专利汇可以提供基于改良型引力搜索方法的递回式小波艾尔曼神经网络专利检索，专利查询，专利分析的服务。并且本 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。，下面是基于改良型引力搜索方法的递回式小波艾尔曼神经网络专利的具体信息内容。
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Wlj更新
第四层误差项的传递的计算如下：
Wlj更新式子如下：
Wlj(N+1)＝Wlj(N)+η1ΔWlj
η1是第四层权值Wlj的学习速率；
第三层权值Wkj更新
在第三层中，通过使用链规则，Wkj的更新法则为：
Wkj(N+1)＝Wkj(N)+η2ΔWkj
η2是第三层权值Wkj的学习速率；
第二层权值Wij更新
在第二层中，通过使用链规则，Wij的更新法则为：
Wij(N+1)＝Wij(N)+η3ΔWij
η3是第二层权值Wij的学习速率；
平移和扩张参数分别为aj和bj的更新式如下：
aj(N+1)＝aj(N)+ηaΔaj
bj(N+1)＝bj(N)+ηbΔbj
ηa和ηb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,ηa,ηb)，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：
Rij(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：
xi(t+1)＝xi(t)+vi(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。
2.根据权利要求1所述的基于改良型引力搜索方法的递回式小波艾尔曼神经网络,其特征在于，所述递回式小波艾尔曼神经网络第一层：输入层
与 分别为第一层第i个的输入与输出值,N为第N次叠代值。
3.根据权利要求1所述的基于改良型引力搜索方法的递回式小波艾尔曼神经网络,其特征在于，所述递回式小波艾尔曼神经网络第二层：隐藏层
隐藏层的输入输出如下：
与 分别为第二层第j个的输入与输出值；小波函数的相关平移和扩张参数分别为aj和bj，Wij、Wkj和Wlj分别是输入神经元与隐藏神经元、上下神经元与隐藏神经元、输出反馈神经元与隐藏神经元的连接权重，输入层、上下层和输出反馈层的激活强度的总和用θj表示：
选择高斯函数φ(x)的一阶导数作为墨西哥帽小波函数，
φ(x)＝(1-x2)exp[-(1/2)x2]
4.根据权利要求1所述的基于改良型引力搜索方法的递回式小波艾尔曼神经网络,其特征在于，所述第三层：上下层
与 分别为第三层第k个的输入与输出值,α是自连接反馈增益。
5.根据权利要求1所述的基于改良型引力搜索方法的递回式小波艾尔曼神经网络,其特征在于，所述第四层：输出反馈层
输出反馈层神经元是具有exp(-x2)形式激活功能的非线性神经元，具有更高的学习效率，第四层的节点输入和输出表示如下：
与 分别为第四层第l个的输入与输出值, 为第五层的输出。
6.根据权利要求1所述的基于改良型引力搜索方法的递回式小波艾尔曼神经网络,其特征在于，所述第五层：输出层
与 分别为第五层第o个的输入与输出值，Wjo是隐藏层与输出层之间的连接权值，设为1， 是递回式小波艾尔曼神经网络的输出，是提出这种方法的控制力。
7.根据权利要求1所述的基于改良型引力搜索方法的递回式小波艾尔曼神经网络,其特征在于，所述 和ωr为发电机的参考转速与实际转速，e为转速响应的误差。
8.根据权利要求1所述的基于改良型引力搜索方法的递回式小波艾尔曼神经网络,其特征在于，所述族群更新通过以下公式更新：
Mi(t)和FITi(t)分别是第i粒子的质量函数和适应性函数，best和worst为族群的最大和最小适应值，分别表示为:
基于改良型引力搜索方法的递回式小波艾尔曼神经网络
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于改良型引力搜索方法的递回式小波艾尔曼神经网络 | 2020-05-17 | 412 |
| 电水引力波80kW发电机组的制造方法 | 2020-05-13 | 841 |
| 一种盾构机施工进度监控系统 | 2020-05-20 | 569 |
| 电水引力波112kW发电机组的制造方法 | 2020-05-13 | 868 |
| 引力波发生器 | 2020-05-11 | 651 |
| 引力波发生器 | 2020-05-11 | 817 |
| 基于双向飞秒脉冲的深空引力波探测方法及装置 | 2020-05-18 | 502 |
| 一种引力波能量场净水装置 | 2020-05-14 | 487 |
| 利用压电陶瓷模拟引力波的小型量子干涉仪 | 2020-05-14 | 877 |
| 一种高频引力波探测装置 | 2020-05-16 | 762 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
