隐含层数值的确定

《隐含层数值的确定》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、天津大学硕士学位论文第四章以DGA为特征量的神经网络诊断模型及方法适用，而在另外一种情况下就无能为力。③样本应当具有紧凑性。学习样本在具有上面的条件外，还应当具有紧凑性。含有大量冗余成分的学习样本会产生以下不利情况：a．导致网络学习过程收敛困难或不收敛：b．训练出来的网络会产生错误映射，使网络输出过多偏向冗余学习成分所形成的输出方向。4．3．2DGA数据的预处理为避免输入向量过大而导致BP网络的饱和，而采用气体含量各自所占总含气量的相对百分比为输入向量。R={L，江1，2，3，4，5，6，7∑巧i=1式中：Ri为归算后的气体百分含量；n为归算前的气体含量。4．3．3BP神经网络参数

2、的确定BP神经网络是被广泛应用的一种网络模型，设计一个BP网络，一般应从网络的层数、每层中的神经元个数和激活函数、训练算法等方面来考虑。在确定采用前向网络后，网络结构主要是确定网络的层数，亦即隐藏层的层数，以及每层的神经元数。一般来讲，隐藏层、隐藏节点越多，则精度可以达到越高，但网络的泛化能力也随之下降。神经网络结构的优化，尚缺乏通用的理论指导，一般是根据应用的不同而不同，实用中，一般采用的方法就是不断的尝试，即比较多种网络结构，参考一些建议性意见，最后确定一种比较好的结构。Cybenko证明，三层网(一层隐藏层)如果有足够多的隐藏节点，可以逼近任何函数。所以，较少的隐藏层是可以胜

3、任的。层数：三层(输入层、隐藏层、输出层)节点数：输入层节点数7；输出层节点数5。对于隐藏层节点数，本文采用尝试法，在其他参数不变的情况下，固定收敛精度，比较迭代次数。(1)输入特征向量的确定一般来说，一个好的特征向量将包括适当的信息，以描述给定问题的特征。通常选择输入特征向量时需要注意两条基本原则：一是输入量必须选择那些对输出影响大且能够检测或提取的变量；二是要求各输入变量之间互不相关或相关性很小。变压器故障时分解出的气体主要有H2、CO、C02、CH4、C2H6、C2H4、天津大学硕士学位论文第四章以DGA为特征量的神经网络诊断模型及方法C2H2等，这些气体的浓度均会反映变压器

4、的故障程度。但为了避免输入向量过大导致BP网络饱和，而以该七种气体的百分含量为网络的输入特征向量，因此设定该网络输入层神经元节点数为7。(2)输出特征向量的确定一般来讲，输出量代表系统要实现的目标，其选择确定相对容易一些。只要问题确定好了，一般输出量也就确定了。在变压器故障诊断中，输出量为0或l的5位故障编码，对应于高温过热、中温过热、低温过热、高能量放电(aP电弧放电)、低能量放电(火花放电、局部放电)、低能放电兼过热和高能放电兼过热七种故障类型。故障编码如表4．1所示。考虑到局部放电的放电能量较低，这里把局部放电故障归结到了低能放电故障类型中；对于放电兼过热故障，考虑到温度和放

5、电能量的关系，这里设定低能放电兼过热中的过热对应中温过热，高能放电兼过热中的过热对应高温过热。因此设定该网络输出层神经元节点数为5。表4．1故障编码对应表故障类型编码(依次为Yl，Y2，Y3，Y4，Y5)低温过热10O0中温过热01O0高温过热O10低能放电0O10高能放电O01低能放电兼过热Ol010高能放电兼过热0O1O1(3)隐含层节点数的确定隐含层节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干个权值，而每个权值都是增强网络映射能力的一个参数。隐含层节点数太少时，网络每次学习时间相对较短，网络从样本中获取信息的能力较差，不足以概括和体现样本规律，从而识别新样本困难

6、，容错性差；隐含层节点数太多时，网络的学习时间加长，且学习过程中，有可能把样本中非规律性的内容如噪声等也学会记住，从而出现所谓“过度吻合"问题，反而降低了泛化能力。设置多少个隐含层节点，取决于训练样本数的多少以及样本中蕴含规律的复杂程度等多种因素。目前确定隐含层节点数的常用办法是试凑法。用同一个天津大学硕士学位论文第四章以DGA为特征量的神经网络诊断模型及方法样本集对采用不同隐节点数的网络进行训练，选择网络误差最小时对应的值。初始隐节点数的确定采用常用的经验公式：，=√；再i+口其中，，为隐含层节点数，m为输入层节点数，力为输出层节点数，口为1～10之间的常数。本例中，m=7，n=

7、5。本文选取不同隐层节点个数进行训练，对比其误差和训练时间，通过综合分析来得出合理的节点数。隐层为不同神经元节点数目时的误差如表4_2所示。表4．2不同隐层节点数时对应的误差和训练时间节点数8lO1214误差0．032436350．014145250．009948350．00767167节点数16182022误差0．006223490．0026558lO．001158050．00023837节点数24262830误差0．000238160．000245450．0000