前馈神经网络续ppt课件.ppt

前馈神经网络.ppt

内容包含详细注释 代码中有数据集的下载程序: 人工构造简单二分类数据集，两个数据集大小为100，样本特征维度为2，且分别服从均值互为相反数且方差相同的正态分布。两个数据集的样本标签分别为0和1。 Fashion-MNIST数据集，该数据集为一个多类图像分类数据集，包含60000个训练图像样本，10000个测试图像样本。每个样本的数据格式为28*28*1。共10类：dress（连⾐裙）、coat（外套）、 代码内容包括： PyTorch基本操作实验； Torch.nn实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 手动实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 多分类实验torch.nn实现Dropout和多分类实验torch.optim实现L2范数正则化； 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；

针对不平衡电网下常规光伏逆变器的并网电流三相不对称及谐波含量大增的问题，研究了相应的控制策略。首先，从获取电压相位出发，设计了基于二阶广义积分器（Second Order Generalized Integrator，SOGI）的不平衡锁相环，以快速、准确地锁定电网正序分量的幅值和相位，并通过实验加以验证；其次，将抑制网侧负序电流作为控制目标，设计了基于电网负序电压前馈的不平衡电网下光伏逆变器的控制策略，且为减弱直流侧电压波动对并网电流的影响，在电压外环控制器后引入了二倍频陷波器。最后，利用PSCAD/EMTDC搭建出光伏并网系统仿真模型，仿真结果表明了本文理论研究的正确性。

以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法不仅解决了多变量系统模糊控制器的“规则爆炸”问题,并且,由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。

该PPT介绍了神经网络的定义，发展，基本术语，激活函数，损失函数，梯度下降的具体步骤和理论，如何设计一个神经网络选择超参数。适用于像未了解过的同学简单明了通俗的了解神经网络的这一套概念

基于改进的PI模型对非线性曲线进行拟合，二次寻优算法进行参数辨识，用逆模型前馈补偿

交流伺服系统中的死区效应分析与补偿分析了逆变器的死区效应产生的原因及其对交流伺服系统控制性能产生的影响,指出死区补偿的关键 在于电流相位的获取,为了克服实际系统中电流零点的模糊性,提出了一种基于两相静止坐标系下的前馈死 区补偿方法. 该方法通过对三相输出电流一个周期内补偿电压进行傅里叶变换,发现仅需补偿1 ,5 ,7 次谐波 分量即可消除死区效应. 仿真和试验结果验证了这种方法的正确性和可行性.

基于pytorch进行神经网络搭建，前馈神经网络拟合函数y=sinx+exp(-x)

手动实现前馈神经网络解决回归、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； 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； 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； 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； 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）； 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）； 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；