权值赋值；在给竞争层的神经元对应的参考向量赋值时，依照输入层 的神经元的排列顺序依次给连接权值赋值。例如如图2所示的LVQ神经网络，口8前3个分 量给神经元bl对应的参考向量赋值，其顺序是第一个分量给albl赋值，第二个分量给a2bl 赋值，第三个分量给a3bl赋值；其余连接权值赋值的方法依次类推。
[0081] St印8若满足终止条件，则停止算法；否则转向St印3。
[0082] 这里粒子的适应度函数为误差平方和的均值：
[0084] 其中，N为训练样本总数；yih和yia分别为相应于第i个训练样本的神经网络输出 层的期望输出和实际输出。通常循环结束的标准是达到规定的迭代次数或者满足规定的误 差标准为止。作为预设的样本，输入的训练样本对应的电源扰动类型是已知的，yih为第i 个电能质量信号对应的电源扰动类型的期望输出，即输入值；yia为电能质量信号输入神经 网络后的输出值，对应神经网络识别的电源扰动类型。
[0085] 利用一种粒子群优化学习向量量化LVQ神经网络的方法，建立优化的LVQ神经网 络后，依据输入的电能质量信号中的扰动类型信息，对所述电能质量信号的扰动类型进行 检测；或依据输入的电能质量信号中的谐波信息，对所述电能质量信号的谐波及间谐波扰 动进行检测。
[0086] 即电能质量信号中的扰动类型信息和谐波信息用向量表征。LVQ神经网络的竞争 层的每个神经元分别对应一个参考向量。与输入的电能质量信号对应的向量距离最近的 竞争层的神经元被激发，以被激发的神经元的参考向量作为输入的电能质量信号的分类结 果，即每个竞争层神经元代表一个类。这里的距离指两个向量间的欧氏距
[0087] 以上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵 盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
【主权项】
1. 一种粒子群优化学习向量量化LVQ神经网络的方法，其特征在于，包括： 建立粒子群，其中所述粒子群中粒子的位置的分量与LVQ神经网络中的连接权值-- 对应； 利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度； 其中，每次更新粒子的位置和速度后，均计算每个粒子的最优适应度位置，并利用得到 的粒子的最优适应度位置获取粒子群的最优适应度位置，以及，利用所述粒子群的最优适 应度位置更新所述LVQ神经网络的所述连接权值； 当所述粒子群迭代算法达到设定的迭代次数，或，所述LVQ神经网络的实际输出和预 期输出的差值满足预设范围时，停止对粒子群中粒子位置和速度的更新。2. 根据权利要求1所述的方法，其特征在于，所述LVQ神经网络包括分别由多个神经元 组成的输入层、竞争层及输出层； 所述输入层中的每个神经元分别与所述竞争层中的所有神经元连接，其中所述输入层 的神经元与所述竞争层的神经元的一次连接对应一个连接权值；所述竞争层的每个神经元 所对应的所有所述连接权值构成其自身的参考向量； 所述竞争层中的神经元与所述输出层中的神经元一一对应连接； 所述输出层，用于对外输出检测结果。3. 根据权利要求1所述的方法，其特征在于，所述建立粒子群，包括： 建立初始种群数目为n，以及迭代次数为T的粒子群，其中所述粒子群中的粒子的维度 为所述LVQ神经网络中所有连接权值的数目，并随机产生所述粒子群中所有粒子的初始位 置和初始速度，以及确定每个粒子初始的最优适应度位置和所述粒子群初始的最优适应度 位置； 建立所述粒子群中粒子的位置的分量与所述电能质量检测模型中的连接权值的一一 对应关系。4. 根据权利要求1所述的方法，其特征在于，所述利用粒子群迭代算法，迭代更新所述 粒子群中所有粒子的位置和速度，包括： 依次判断每个粒子的当前位置是否小于和其对应的设定位置，且判断每个粒子的当前 速度是否小于和其对应的设定速度，如果当前粒子的判断结果均为是，则重新初始化所述 粒子群；如果当前粒子的判断结果至少有一项为否，则更新当前粒子的位置和速度。5. 根据权利要求1所述的方法，其特征在于，所述每次更新粒子的位置和速度后，均计 算每个粒子的最优适应度位置，包括： 每次更新粒子的位置和速度后，计算粒子当前的适应度值； 依次判断每个粒子当前的所述适应度值是否优于其当前的最优适应度位置对应的适 应度值，如果是，则利用粒子的当前位置替换所述粒子的最优适应度位置。6. 根据权利要求1所述的方法，其特征在于，所述利用得到的粒子的最优适应度位置 获取粒子群的最优适应度位置，包括： 依次判断每个粒子当前的最优适应度位置的适应度值是否优于所述粒子群的最优适 应度位置的适应度值，如果当前进行判断的粒子当前的最优适应度位置的适应度值优于所 述粒子群当前的最优适应度位置的适应度值，则将所述粒子群的最优适应度位置更新为当 前进行判断的粒子的最优适应度位置。7. 根据权利要求5所述的方法，其特征在于，所述计算粒子当前的适应度值，包括： 利用公式计算粒子当前的适应度值； 其中，N为训练样本总数；yih和y ia分别为相应于第i个训练样本的输出层的期望输出 和实际输出。8. 根据权利要求4所述的方法，其特征在于，所述利用粒子群迭代算法，迭代更新所述 粒子群中所有粒子的位置和速度，包括： 采用公式心1 = + cjk - 4)+ - ?).更新粒子的速度； 利用公式<+1 = + ^+1更新粒子的位置； 其中：ω为惯性权重； 为第i个粒子第k次迭代时速度 < 在维度d上的分量； 为第i个粒子第k次迭代时位置X厂在维度d上的分量； 第i个粒子第k次迭代时粒子的最优适应度位置在维度d上的分量； 为第k次迭代时整个所述粒子群的最优适应度位置/^在维度d上的分量； ξ和η为预设的介于〇与1之间的随机数； (^与c 2为学习因子。9. 一种分布式电源扰动类型的在线检测的方法，其特征在于，利用如权利要求1-8任 一项所述方法优化的LVQ神经网络，依据输入的电能质量信号中的扰动类型信息，对所述 电能质量信号的扰动类型进行检测。10. -种分布式电源谐波的在线检测的方法，其特征在于，利用如权利要求1-8任一项 所述方法优化的LVQ神经网络，依据输入的电能质量信号中的谐波信息，对所述电能质量 信号的谐波及间谐波扰动进行检测。
【专利摘要】本发明涉及信息数据分析技术领域，具体而言，涉及粒子群优化LVQ神经网络的方法及扰动、谐波检测方法。该方法包括：建立粒子群，其中所述粒子群中粒子的位置的分量与所述LVQ神经网络中的连接权值一一对应；利用粒子群迭代算法，迭代更新所述粒子群中所有粒子的位置和速度；当所述粒子群迭代算法达到设定的迭代次数，或，所述LVQ神经网络的实际输出和预期输出的差值满足预设范围时，停止对粒子群中粒子位置和速度的更新。本发明实施例提供的粒子群优化LVQ神经网络的方法及扰动、谐波检测方法，克服了现有LVQ神经网络当拥有一组较为理想的样本之后，训练网络时很可能会遇到不收敛或者收敛速度慢的问题。
【IPC分类】G06Q50/06, G06N3/08, G06N3/02
【公开号】CN104899796
【申请号】CN201510310098
【发明人】李加升
【申请人】湖南城市学院
【公开日】2015年9月9日
【申请日】2015年6月8日