[发明专利]一种人工神经网络算法

摘要

本发明的一种人工神经网络算法，首先对每一个输入信号进行处理，确定其权值，随后对权值进行运算直至收敛，然后修正权值，进行CART运算，最终通过误差修正学习减少误差信号，输出诊断数据。本发明的人工神经网络通过误差反向传递机制，不断调整网络参数，学习特征数据，人工神经网络具有良好的特征提取功能，尤其适合于像变压器故障诊断方面的特征提取问题,是最为广泛应用于电气故障诊断领域的一种人工智能技术，其智能化特点能够有效弥补传统故障诊断方法(改良三比值法等)的不足，其是一种旨在模拟人脑及功能的信息处理方法，具有分布式并行处理、自学习、自适应以及非线性映射等优点。

主权项

一种人工神经网络算法，其特征在于：包含以下步骤：步骤一：对每一个输入到神经网络输入层节点的信号进行处理，确定其权值W；步骤二：重复下述过程直至收敛：(1)对于k＝1到N；计算Oik，netjk和的值；(2)对同一节点j∈M，计算δjk；步骤三：修正权值，其中步骤四：给定神经网络节点属性样本集M，神经网络节点属性集F＝{F1,F2,…Fi,…,Ft}，分支数目N和分支停止准则，CART算法具体步骤如下：(1)依据分支停止准则判断当前节点是否满足停止条件，若是，则返回空树，将数据输出；否则执行步骤(2)；(2)根据神经网络节点属性样本集M，对于神经网络节点属性集F中的t个属性，计算当使用Fi做判断属性时对应的不纯度改变量，即就是Gini指数改变量ΔGFi(M)；(3)选出Gini指数值改变量ΔGFi(M)最大的那个属性，并将该属性作为该分支的分裂属性Fm；(4)根据分裂属性Fm，将神经网络节点属性样本集分为n个子集{N1,N2,…,Nj,…,Nn}；(5)分别对n个子集执行步骤(1)～(4)，新的输入为子集Nj和属性集F， 从而得到对于分支Nj的分类器Tj(可能为空树)；(6)对已建好的决策树进行剪枝操作，得到一系列嵌套子树；(7)采用V折交叉验证进行最优子树的选择；(8)采用选出的最优决策树对新的测试样本进行条件判定，输出相应的分类结果；步骤五：在步骤四每一次判定输出分类结果后，对分类结果进行误差修正学习，使误差信号最小，直到当前节点满足停止条件，随后将诊断数据输出。