1.手动实现前馈神经网络解决上述回归、二分类、多分类任务 分析实验结果并绘制训练集和测试集的loss曲线 2.利用torch.nn实现前馈神经网络解决上述回归、二分类、多分类任务 分析实验结果并绘制训练集和测试集的loss曲线 3.在多分类实验的基础上使用至少三种不同的激活函数 对比使用不同激活函数的实验结果 4.对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响 使用不同的隐藏层层数和隐藏单元个数，进行对比实验并分析实验结果 5.在多分类任务实验中分别手动实现和用torch.nn实现dropout 探究不同丢弃率对实验结果的影响（可用loss曲线进行展示） 6.在多分类任务实验中分别手动实现和用torch.nn实现L2正则化 探究惩罚项的权重对实验结果的影响（可用loss曲线进行展示） 7.对回归、二分类、多分类任务分别选择上述实验中效果最好的模型，采用10折交叉验证评估实验结果 要求除了最终结果外还需以表格的形式展示每折的实验结果

"自适应前馈射频功率放大器设计" 自适应前馈射频功率放大器设计是指采用自适应前馈技术和包络检测技术来设计射频功率放大器。这种技术考虑到实际中可能遇到的问题，从而对复杂问题进行简化，不仅从理论上，而且从实践上证实了他的可实现性。 在现代无线通信中，人们广泛采用工作于甲乙类状态的大功率微波晶体管来提高传输功率和利用效率。然而，无源器件及有源器件的引入、多载波配置技术的采用等，都将导致输出信号的互调失真。因此，在设计射频功率放大器时，必须对其进行线性化处理，以便使输出信号获得较好的线性度。 常用的线性化技术包括功率回退、预失真、前馈等。其中，功率回退技术能有效地改善窄带信号的线性度，而预失真技术和前馈技术，特别是前馈技术，由于其具有高校准精度、高稳定度以及不受带宽限制等优点，成了改善宽带信号线性度时所采用的主要技术。 本文首先简述了普通的前馈线性化技术，然后在此基础上进行改进，添加了自适应算法，并通过信号包络检测技术提取出带外信号进行调节，从而达到改善输出信号线性度的目的。 前馈基本原理最基本的前馈放大器原理如图1所示。他由2个环路组成：环路1由功分器、主放大器、耦合器1、衰减器1、相移器1、延时线1、合成器1组成。输入的RF信号，即2个纯净的载波信号，经功分器后被分成两支路信号：上分支路为主功率放大器支路，纯净的RF载波信号经过该支路后产生放大后的载波信号和互调失真信号；下分支路为附支路，纯净的RF载波信号经过该支路后被延时，主功率放大器支路输出的非线性失真信号经衰减器1和相移器1后，与附支路输出的信号在合成器1中合成，调节衰减器1和相移器1使两支路信号获得相等的振幅、180''相位差以及相等的延迟。 环路2，也叫失真信号消除环路，由延时线2、辅助放大器、衰减器2、相移器2、耦合器2组成。同样也有两条分支支路：上分支路将主放大器输出的非线性失真信号延时后送人耦合器2；下分支路将环路1提取出的互调失真信号进行放大、衰减、相移后也送人耦合器2，调节衰减器2和相移器2，直到耦合器2输出的信号中互调失真信号最小，也就是IMD最小，则此时输出的信号就是放大的射频信号。 自适应前馈射频功率放大器的设计中，引入了自适应技术，以便能及时获得载波信号在振幅、相位以及延时上的匹配。自适应前馈系统的结构如图2所示。他由3个环路构成：环路1主要用于提取互调失真信号，环路2主要用于消除失真信号，而环路3则主要用于检测互调失真信号功率。 在具体的实现结构上，在合成器1后面又添加了功分器2，其目的是对信号υd(t,g, ψ)进行功率检测，很明显，如果调节α使得合成器1两输入信号的幅度、相位以及延迟都达到匹配，那么这里检测到的功率将只有互调失真信号υe(t)的平均功率尸+而他是很小的，换句话说，如果检测到功分器2输出的功率足够的小，那么此时对α的调节就达到了最优，即RF载波信号已被最大程度的消除了，而保留下来的仅有互调失真信号υe(t)。 进入环路2的互调失真信号经过辅助放大器放大，矢量调制器2（其调制系数为复系数β）调节后，与经过延时线2的主放大器输出信号在合成器2中合成。该环路对互调失真信号的振幅及相位调节同样也采用自适应技术，其数学原理如上所述，但在实现的结构上，却与环路1不同，环路1是通过直接检测合成器1的输出信号来判定RF载波信号是否被抵消到最小值，而环路2在判定互调失真信号是否被抵消到最小值时，却需要引入第三个环路。 我们知道，对于相同功率的输出信号，线性信号的包络要大于非线性信号的包络，而二者的包络差值信号就是互调失真信号，最大限度减小其包络差值信号，就能最大程度地改善输出信号的线性度，从而减小IMD。环路3的工作原理正在于此。他处理的两路信号一路是线性信号，即经过延时线3及功分器4的RF载波信号，另一路是非线性信号，即经前馈系统环路1和环路2后由合成器2输出的信号。

## 1.前馈神经网络 一种单向多层的网络结构，信息从输入层开始，逐层向一个方向传递，一直到输出层结束。前馈是指输出入方向是前向，此过程不调整权值。神经元之间不存在跨层连接、同层连接，输入层用于数据的输入，隐含层与输出层神经元对数据进行加工。 ## 2.反向传播算法 （英语：Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。 ## 3.BP神经网络： 也是前馈神经网络，只是它的参数权重值是由反向传播学习算法调整的。 ## 4.总结： 前馈描述的是网络的结构，指的是网络的信息流是单向的，不会构成环路。它是和“递归网络”(RNN)相对的概念；BP算法是一类训练方法，可以应用于FFNN，也可以应用于RNN，而且BP也并不是唯一的训练方法，其

带负载转矩前馈补偿的永磁同步电机FOC 1.采用滑模负载转矩观测器，可快速准确观测到负载转矩。 赠送龙伯格负载转矩观测器用于对比分析。 2.将观测到的负载转矩用作前馈补偿，可提高系统抗负载扰动能力； 提供算法对应的参考文献和仿真模型，支持技术解答。 拿后赠送PMSM控制相关电子文档。 仿真模型纯手工搭建，不是从网络上复制得到。

主要对台山电厂#6机组变负荷过程中响应速率较慢,主再热蒸汽温度波动比较大等原因进行分析和研究,并通过一定的控制策略对控制逻辑进行了一定的优化和控制。经过优化后,效果比较明显。通过对该控制策略进行总结建议,对同类型机组有一定的借鉴意义。

资源代码实现了bp全连接神经网络代码 不使用pytorch，tensorflow等神经网络学习框架 一、功能实现： 1.实现自动求导功能 2.实现adam学习率优化器代码，可以提升学习率，加快收敛 3.numpy实现矩阵运算 4.实现softmax交叉熵损失函数 5.实现递归运算每一层神经网络 6.实现训练过程中损失函数loss下降显示，使用matplot实现 二、作用： 1.方便刚入门的小伙伴入门学习神经网络，了解神经网络工作的几大部分 前向计算，激活函数，损失函数，求导 2.复现论文的adam优化器实现，实现一阶矩估计，二阶矩估计 三、能学到什么： 1.adam优化器实际代码实现 2.求导过程计算 3.matplot显示图表 4.numpy矩阵运算实现 5.递归实现层集计算 四、阅读须知： 1.参考本代码之前需要先了解bp神经网络的构成 2.此资源未使用框架，求导也是代码实现，主要是公式求导，后期会推出计算图求导的版本 3.不包含cnn卷积神经网络，不适用于特征提取，后续可能会增加cnn模块 4.本资源目前只实现relu激活函数，需要验证sigmod等激活函数可以自行添加

针对井下不平衡工况会导致STATCOM控制性能变差、影响补偿效果的问题,提出采取改进开关函数法及负序电压前馈控制策略,让STATCOM发出一个与系统负序电压大小和相位都相等的负序电压,来补偿系统负序电压,保证了STATCOM在不平衡工况下的正常运行。仿真结果表明,该控制策略起到了抑制负序电流的作用,有效克服了三相不平衡的影响。

针对宽范围输入的双管Buck-Boost变换器，在Buck和Boost两模式之间进行切换和输入电压发生波动时，电感电流和输出电压存在较大波动的问题，提出了带输入电压前馈的两模式平均电流控制策略。该策略通过将具有电压电流双闭环结构的平均电流控制与单载波-双调制的调制方法相结合，来提高变换器的动态响应性能，实现变换器两模式的自动近似平滑切换，同时对电感电流进行有效控制，保护设备安全。为了克服传统双闭环前馈函数实现和化简困难的缺点，提出将输入电压前馈引入电流内环从而大幅提高了变换器的输入动态响应性能。最后建立了MATLAB／Simulink仿真模型和硬件试验平台，验证了所提控制方法的有效性。

提出了一种新型光伏逆变器拓扑结构，其由罗氏升压电路、三相四开关逆变单元组成，可以有效提高光伏发电效率、降低光伏系统成本。针对该结构逆变器提出了一种新型前馈功率预测控制策略，其通过将自然环境分区后排列，然后逐一对其历史光伏最大功率进行寻优，从而确定相应的前馈功率预测值。该方法具有计算量小、运算速度快、实现简单、控制精度高、可靠性强的显著优点，可以省去传统逆变器控制的直流侧电压闭环，由逆变器本身完成光伏阵列的最大功率点跟踪功能，从而提高系统响应速度与可靠性。仿真与实验结果均验证了所提结构和控制方法的可行性及优越性。

具有随机权重的前馈神经网络的迭代学习算法