忆阻神经网络在有源电力滤波器中的应用

发布时间：2017-07-15 16:18

  本文关键词：忆阻神经网络在有源电力滤波器中的应用

  更多相关文章： 忆阻器 STDP 忆阻神经网络 有源电力滤波器

【摘要】：忆阻器是一种极具发展潜力和具有广泛潜在应用价值的元件,突触在生物神经网络中是一个关键元素,但是在电子器件中很难找到理想的“等价”器件,这个问题一直阻碍着对复杂生物结构的硬件电路模拟。在多层神经网络的学习中,神经元层与层间权值的更新是通过多维数的权值矩阵按照相应的规则进行连续计算得来的,每次权值的更新都需要不断重复的计算,这个过程虽然清晰,但是计算及其繁杂,而且很难通过硬件电路实现。忆阻元件可以实现对过去的状态进行记忆,具有记忆特性的忆阻器用来模拟突触的权值连接是一个不错的选择;加入忆阻器后的神经网络不仅可以简化权值更新规则,同时也利于硬件电路的实现。此外忆阻器的忆导值可以在外加电压或者电流的作用下实现连续的调节,以上两点证明了忆阻器和突触的相似性,因此本文选用忆阻器实现突触并构建忆阻神经网络来实现相关应用。本文主要的研究内容如下:第一,从基本的忆阻理论出发,对其模型特点、工作本质分析,并根据仿真验证忆阻器所具有的理论特性。鉴于忆阻器和突触的相似性,将忆阻器模拟电子突触构建忆阻神经网络,选用压控型忆阻模型具有阈值电压的特点来模拟尖峰时序依赖可塑性(Spike-Timing Dependent Plasticity,STDP)学习机制,仿真结论表明忆阻器实现突触功能的有效性,为本文奠定了理论基础。第二,在分析单神经元PID和神经网络PID结构的基础上,用忆阻器的忆导值来表示权值系数,对加入忆阻器的忆阻神经网络的权值更新进行理论推导,并给出了忆阻单神经元PID控制和忆阻神经网络PID控制的模型,最后仿真验证了新型的忆阻神经网络PID具有良好的控制性能。最后,本文在全面研究有源电力滤波器(Active Power Filter,APF)的工作原理、谐波电流检测方法、控制系统策略等基础上,针对APF系统具有非线性、时变、以及参数波动等因素,将上述忆阻神经网络PID控制应用在了APF中,并与传统PID控制、神经网络PID控制作用下的补偿效果做了对比,结论表明将忆阻神经网络PID应用在电流跟踪控制策略中具有理想的补偿效果,再次说明了忆阻神经网络PID控制的正确性。本课题将忆阻器与神经网络联系起来,同时也为忆阻器在神经网络中的应用提供了借鉴,具有一定的理论意义。
【关键词】：忆阻器 STDP 忆阻神经网络 有源电力滤波器
【学位授予单位】：太原科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN713.8;TM761
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-17
• 1.1 课题的研究背景9-10
• 1.2 忆阻神经网络的研究现状10-12
• 1.3 APF的控制策略12-13
• 1.4 论文的研究内容与章节安排13-17
• 1.4.1 本文的主要研究内容13-14
• 1.4.2 论文章节安排14-17
• 第二章 忆阻器模型实现17-29
• 2.1 引言17
• 2.2 忆阻器的定义17-18
• 2.3 忆阻器的物理模型18-21
• 2.3.1 线性离子漂移模型18-19
• 2.3.2 非线性离子漂移模型19-21
• 2.4 压控型忆阻器仿真与结论分析21-27
• 2.4.1 Matlab环境下忆阻模型的实现22-25
• 2.4.2 参数对迟滞曲线特性的影响分析25
• 2.4.3 忆阻器在不同电压波形下的仿真分析25-27
• 2.5 本章小结27-29
• 第三章 忆阻器对STDP机制的模拟29-37
• 3.1 STDP学习机制29-31
• 3.1.1 STDP的数学模型29-30
• 3.1.2 神经元与突触的关系30-31
• 3.2 STDP规则的仿真实现31-35
• 3.3 本章小结35-37
• 第四章 基于忆阻神经网络的PID控制37-47
• 4.1 传统神经网络与PID控制器37-39
• 4.1.1 单神经元PID控制37-38
• 4.1.2 神经网络PID控制器38-39
• 4.2 忆阻神经网络的建立39-42
• 4.2.1 忆阻神经网络的学习算法40-41
• 4.2.2 MDSJ-PID控制41-42
• 4.2.3 MSJWL-PID控制42
• 4.3 仿真与结论42-45
• 4.3.1 MDSJ-PID的仿真42-44
• 4.3.2 MSJWL-PID的仿真44-45
• 4.4 本章小结45-47
• 第五章 忆阻神经网络PID控制在APF中的应用47-67
• 5.1 谐波的定义与治理47-48
• 5.2 有源电力滤波器原理48-52
• 5.2.1 电力滤波器的拓扑结构48-49
• 5.2.2 APF的基本工作原理49-51
• 5.2.3 主电路工作原理51-52
• 5.3 谐波电流检测方法52-56
• 5.3.1 谐波电流检测的主要方法52-53
• 5.3.2 基于d-q同步旋转坐标系下的谐波电流检测方法53-55
• 5.3.3 谐波检测方法仿真55-56
• 5.4 有源滤波器的电流跟踪控制策略56-61
• 5.4.1 APF的电路跟踪控制方法56-57
• 5.4.2 控制器的选用57-61
• 5.5 仿真分析61-66
• 5.6 本章小结66-67
• 第六章 总结与展望67-69
• 6.1 总结67
• 6.2 展望67-69
• 参考文献69-73
• 致谢73-75
• 攻读学位期间发表的学术论文目录75-76

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 曾U喺，

本文编号：544714