generalized regression neural network
در نشریات گروه برق-
دروازه های منطقی تمام نوری اصلی ترین واحد در سیستم های پردازشی تمام نوری هستند. ارایه یک روش سریع و کارآمد برای مطالعه رفتار دروازه های منطقی تمام نوری با اهمیت بوده و همواره مورد توجه محققان قرار داشته است. در این مقاله از شبکه های عصبی رگرسیون کلی (GRNN) و پیش بینی خطی (Lin) برای مدلسازی خروجی دروازه منطقی تمام نوری XOR سه ورودی استفاده شده است. نتایج بدست آمده نشان می دهند هر دو روش به خوبی می توانند رفتار قطعه را مدل سازی کنند اما مدت زمان آموزش شبکه عصبی در روش پیش بینی خطی با ساختار بهینه حدود 93 ثانیه است که بسیار بیشتر از روش GRNN با مدت زمان آموزش 8 ثانیه می باشد. هر دو شبکه پس از آموزش می توانند خروجی دروازه مورد نظر را در مدت زمانی کمتر از 1 ثانیه پیش بینی نمایند. این زمان در مقایسه با زمان مورد نیاز برای محاسبه خروجی دروازه منطقی XOR که برابر با 12 ثانیه می باشد کاهش چشمگیری را در مدل سازی این افزاره نشان می دهد. در روش GRNN به ازای مقدار گستردگی 001/. بهترین پاسخ با مقادیر خطاهای MAE, RSE, MSE به ترتیب 7-10×97/1، 6-10×95/5 و 4-10×6/1 به دست آمده است. در روش پیش بینی خطی با مقدار آموزش اولیه 200 داده کمترین مقادیر خطاهای MAE, RSE, MSE به ترتیب 22-10×11/1 ، 16-10×14/2 و 11-10×11/2 و بهترین خروجی برای مدل سازی حاصل شده است. مقدار ضریب همبستگی (R2) بین مقادیر مدل سازی شده و مقادیر مطلوب خروجی دروازه منطقی مذکور برای هر دو روش شبکه عصبی برابر با یک می باشد که نشان دهنده پیش بینی بسیار خوب در این روش است.
کلید واژگان: شبکه عصبی پیش بینی خطی، شبکه عصبی رگرسیون کلی، دروازه منطقی تمام نوریAll-optical logic gates are the most important unit for achieving all-optical processing systems. Developing a fast and efficient method for studying the behavior of all-optical logic gates is very important and has been considered by researchers. In this paper, general regression neural networks and linear method are used to predict a three-input all-optical XOR logic gate output. The simulation results show that both methods can precisely model the behavior of the device. The training time of the neural network in the linear method with the optimal structure is about 93 seconds, which is much longer than the GRNN method with a training time of 8 seconds. Both models predict the output in less than 1 second which show a great improvement over the conventional method with 12 seconds. In the GRNN method with the smoothing factor of 0.001, the best results were obtained with MSE, RSE and MAE error values of 1.97×10-7, 5.95×10-6, and 1.6×10-4, respectively. In the linear method with 200 initial training data, the minimum values of MSE, RSE, and MAE are 1.11×10-22, 2.14×10-16 and 2.11×10-11, respectively, and the best modeled output is achieved. The value of correlation coefficient (R2) between the modeled output and the desired output of the logic gate is one for both neural network methods, which indicates a very good prediction for this method.
Keywords: Neural Networks, linear prediction, generalized regression neural network, all optical XOR gate -
تعیین دقیق مکان وقوع خطا و تسریع عملیات تعمیراتی در خطوط انتقال جریان مستقیم فشارقوی (HVDC)، به دلیل حجم بالای توان عبوری آنها اهمیت خاصی دارد. این مقاله شیوه ای جدید برای مکان یابی هوشمند خطاهای اتصال کوتاه در خطوط انتقال جریان مستقیم فشارقوی دوقطبی با استفاده از تکنیک های شناسایی الگو و الگوریتم های یادگیری ماشین ارائه می دهد. در شیوه پیشنهادی، با استفاده از ترکیب تحلیل پرونی (PA) و تجزیه مقدار تکین (SVD)، برخی ویژگی های مفید از سیگنال های ولتاژ پس از خطای یک پایانه استخراج می شوند. شبکه عصبی رگرسیون تعمیم یافته (GRNN) نیز که قبلا آموزش دیده است، ویژگی های استخراج شده را دریافت می کند و محل وقوع خطای اتصال کوتاه متناظر را تخمین می زند. ارزیابی های انجام شده بر سیستم نمونه دوقطبی نشان می دهند مکان یاب پیشنهادی با وجود تغییرات محل وقوع خطا، مقاومت خطا و جریان پیش از خطا، عملکرد دقیق و مناسبی دارد. متوسط درصد خطای به دست آمده برای مکان یابی انواع خطاهای اتصال کوتاه قطب مثبت به زمین (PG)، قطب مثبت به منفی (PN) و قطب مثبت به منفی به زمین (PNG) در سیستم نمونه به ترتیب برابر 0.264%، 0.287% و 0.225% است.کلید واژگان: تحليل پروني، تجزيه مقدار تکين، شبکه عصبي رگرسيون تعميم يافته، مکان يابي خطا، جريان مستقيمHigh voltage direct current (HVDC) transmission lines can be used to transfer bulk power over long distances. Accurate estimation of fault location in these transmission lines is very essential to speed up the maintenance operations. This paper presents a new approach for intelligent fault locating in bipolar HVDC transmission lines using the pattern recognition techniques and the machine learning algorithms. In the proposed approach, using a combination of Prony analysis (PA) and the singular value decomposition (SVD), some useful features are extracted from the post-fault voltage signals measured at one the line terminals. Then, a pre-trained generalized regression neural network (GRNN) receives the extracted features and estimates the corresponding fault location. Tests conducted on a sample bipolar system show that the proposed fault locator has accurate and appropriate performance despite changes in fault location, fault resistance, and pre-fault current. The obtained average percentage fault location errors for the positive-pole-to-ground (PG), positive-pole-to-negative-pole (PN), and positive-pole-to-negative-pole-to-ground (PNG) faults in the sample system under study are 0.264%, 0.287%, and 0.225%, respectively.Keywords: Prony Analysis, Singular Value Decomposition, Generalized Regression Neural Network, Fault Location, Direct Current
-
The main problem in performance-based of structures is the extremely high computational demand of time-history analyses. In this paper, an efficient framework is developed for solving the performance-based multi-objective optimal design problem considering the initial cost and the seismic damage cost of steel moment-frame structures. The non-dominated sorting genetic algorithm (NSGA-II) is employed as the optimization algorithm to search the Pareto optimal solutions. For improving the time efficiency of the solution algorithm, the generalized regression neural network (GRNN) is utilized as the meta-model for fitness approximation and a specific evolution control scheme is developed. In this scheme, in order to determine which individuals should be evaluated using the original fitness function and which by the meta- model, the fuzzy c-mean (FCM) clustering algorithm is used to choose the competent individuals rather than choosing the individuals randomly. Moreover, the computational burden of time history analyses is decreased through a particular wavelet analysis procedure. The constraints of the optimization problem are considered in accordance with the FEMA codes. The results obtained from numerical application of the proposed framework demonstrate its capabilities in solving the present multi-objective optimization problem.Keywords: Performance, based design, Nonlinear dynamic analysis, Steel frame structures, Seismic damage cost, Non, dominated sorting genetic algorithm, Generalized regression neural network, Fuzzy c, mean clustering, Wavelet analysis
-
این مقاله روشی مبتنی بر استراتژی های یادگیری ماشین برای حل مسئله مکان یابی خطا در خطوط انتقال جریان مستقیم ولتاژ بالا (HVDC) ارائه می دهد. در روش مکان یابی پیشنهادی، تنها از سیگنال ولتاژ پس از خطای اندازه گیری شده از یک پایانه برای استخراج ویژگی های موردنیاز بهره گیری می شود. در این مقاله، متناسب با بعد بالای بردار ویژگی های ورودی، امکان استفاده از دو تخمین گر متفاوت شامل شبکه عصبی رگرسیون تعمیم یافته (GRNN) و الگوریتم جنگل تصادفی (RF) برای یافتن رابطه موجود بین ویژگی های الگوها و مکان وقوع خطا مورد بررسی قرار می گیرد. نتایج ارزیابی با استفاده از الگوهای یادگیری و تست بدست آمده از شبیه سازی انواع خطاها در یک خط انتقال هوایی بلند و بر اساس مقادیر مختلف محل وقوع خطا، مقاومت خطا و جریان پیش از خطا، نشان دهنده کارآیی و دقت قابل قبول روش پیشنهادی می باشند.
کلید واژگان: مکان یابی خطا، خطوط انتقال HVDC، شبکه عصبی رگرسیون تعمیم یافته، الگوریتم جنگل تصادفیThis paper presents a novel method based on machine learning strategies for fault locating in high voltage direct current (HVDC) transmission lines. In the proposed fault-location method، only post-fault voltage signals measured at one terminal are used for feature extraction. In this paper، due to high dimension of input feature vectors، two different estimators including the generalized regression neural network (GRNN) and the random forest (RF) algorithm are examined to find the relation between the features and the fault location. The results of evaluation using training and test patterns obtained by simulating various fault types in a long overhead transmission line with different fault locations، fault resistance and pre-fault current values have indicated the efficiency and the acceptable accuracy of the proposed approach.Keywords: Fault Location, HVDC Transmission Lines, Generalized Regression Neural Network, Random Forest Algorithm
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.