算法优化LVQ神经网络，构建电能质量检测模型，克服现有神经网络在电能质量 检测中获取样本不易，当拥有这样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；假若问题或者网络结构需要改变，那么网络就需要重新训练； 训练当中还有可能出现过学习的技术问题，从而满足电能质量检测中的实际需求。
[0023] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合 所附附图，作详细说明如下。
【附图说明】
[0024] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附 图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对 范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这 些附图获得其他相关的附图。
[0025] 图1示出了本发明实施例所提供的一种粒子群优化学习向量量化LVQ神经网络的 方法；
[0026] 图2示出了本发明实施例所提供的一个LVQ神经网络的示意图。
[0027] 主要元件符号说明：
[0028] al、神经元；a2、神经元；a3、神经元；bl、神经元；b2、神经元；b3、神经元；b4、神经 元；cl、神经元；c2、神经元；c3、神经元；c4、神经元。
【具体实施方式】
[0029] 下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在 此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因 此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的 范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做 出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0030] 本发明实施例中提供了一种粒子群优化学习向量量化LVQ神经网络的方法，主要 处理步骤包括：
[0031] 步骤S11 :构建学习向量量化LVQ神经网络；
[0032] 步骤S12 :用粒子群算法PSO优化LVQ神经网络。
[0033] 本发明中，学习向量量化LVQ神经网络是一种由输入层、竞争层和输出层组成的 混合网络，现有的LVQ神经网络的学习结合了竞争学习和有监督的学习来形成分类。学习 规则为：
[0035] 式中，《#为神经元j对应的参考向量，XlS竞争层输出，AWjl(k)为第k步时参考 向量的修正值，n为学习速率或步长（〇 <n< 1)。
[0036] 本发明中，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； 输入层中的每个神经元分别与竞争层中的所有神经元连接，其中输入层的神经元与竞争层 的神经元的一次连接对应一个连接权值；竞争层的每个神经元分别对应一个参考向量，参 考向量由相应神经元所对应的所有连接权值构成；竞争层中的神经元与输出层中的神经元 一一对应连接；输出层，用于对外输出电能质量信号扰动类型的检测结果。
[0037] 图2是一个LVQ神经网络的示意图，LVQ神经网络中包括输入层，竞争层和输出层。 输入层包括神经元al，神经元a2和神经元a3 ;竞争层包括神经元bl，神经元b2,神经元b3 和神经元b4 ;输出层包括神经元cl，神经元c2,神经元c3和神经元c4。输入层的每个神经 元分别和竞争层的所有神经元连接，且每一次连接对应一个连接权值，例如输入层的神经 元al与竞争层神经元bl的连接权值为albl，输入层的神经元al与竞争层神经元b2的连 接权值为alb2,输入层的神经元a2与竞争层神经元b2的连接权值为a2b2,其它连接权值 类似。竞争层的每个神经元均对应一个参考向量，其分量为对应神经元上的各个连接权值。 例如神经元bl对应一个参考向量，记为向量rbl;神经元bl上的各个连接权值，为向量rbl 上的分量，即向量:^可表示为（albl，a2bl，a3bl)。其余竞争层的神经元的参考向量类似 bl的表示。竞争层神经元分别与输出层神经元一一对应连接，即bl连接cl，b2连接c2,其 余类似。
[0038] 利用PSO优化LVQ神经网络包括：建立粒子群，其中粒子群中粒子的位置的分量与 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，利用粒子群的 最优适应度位置更新LVQ神经网络的连接权值；当粒子群迭代算法达到设定的迭代次数， 或，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。
[0039] 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，其中粒子 群中的粒子的维度为上述LVQ神经网络所有连接权值的数目，并随机产生粒子群中所有粒 子的初始位置和初始速度，并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；建立粒子群中粒子的位置的分量与LVQ神经网络中的连接权值的一一对应 关系。
[0040] 即建立的粒子群中的粒子数目为n，迭代次数为T。粒子群中的粒子的维度为LVQ 神经网络中连接权值的数目。如图2所示的LVQ神经网络，优化此LVQ神经网络的粒子群的 粒子维度为连接权值的数目12,粒子群中的每个粒子都可以为LVQ神经网络中所有的连接 权值赋值。例如粒子群中的粒子h，记为（hl，h2，h3，h4，h5，h6，h7，h8，h9，hl0，hll，hl2); 其中hi对应连接权值albl，h2对应连接权值a2bl，h3对应连接权值a3bl，h4对应连接权 值alb2,其余类似，粒子h的分量分别依次记载竞争层中的神经元bl，神经元b2,神经元b3 和神经元b4各个对应的参考向量的分量的值。粒子群中的粒子，其初始位置和初始速度都 是随机的。每个粒子初始的最优适应度值为该粒子初始位置对应的适应度值，即粒子初始 的最优适应度位置为粒子的初始位置；粒子群初始的最优适应度值为粒子群中所有粒子初 始的最优适应度值的最优值，即粒子群初始的最优适应度位置为粒子群中初始的最优适应 度值最优的粒子的位置。
[0041] 利用粒子群迭代算法，迭代更新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。
[0042] 即每次迭代更新粒子群中所有粒子的位置和速度后，判断粒子群是否需要重新初 始化。具体的判断方式是，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，包括：重新设置粒子数目n，迭代次数T，并随机产生粒子群 中所有粒子的初始位置和初始速度，并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；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。
[0043] 每次更新粒子的位置和速度