資料介紹
根據(jù)現(xiàn)代控制技術的人工神經(jīng)網(wǎng)絡理論提出了一種保護原理構成方案,并分析了原理實現(xiàn)的可行性和技術難點。
人工神經(jīng)網(wǎng)絡(Aartificial?Neural?Network,下簡稱ANN)是模擬生物神經(jīng)元的結構而提出的一種信息處理方法。早在1943年,已由心理學家Warren?S.Mcculloch和數(shù)學家Walth?H.Pitts提出神經(jīng)元數(shù)學模型,后被冷落了一段時間,80年代又迅猛興起[1]。ANN之所以受到人們的普遍關注,是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法,Back?Propagation),它的網(wǎng)絡結構及算法直觀、簡單,在工業(yè)領域中應用較多。
經(jīng)訓練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測,預測某些部件的疲勞壽命[2]。非線形神經(jīng)網(wǎng)絡補償和魯棒控制綜合方法的應用(其魯棒控制利用了變結構控制或滑動??刂?,在實時工業(yè)控制執(zhí)行程序中較為有效[3]。人工神經(jīng)網(wǎng)絡(ANN)和模糊邏輯(Fuzzy?Logic)的綜合,實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題,可通過ANN的BP算法學習正常運行例子調(diào)整內(nèi)部權值來準確求解[4]。
因此,對于電力系統(tǒng)這個存在著大量非線性的復雜大系統(tǒng)來講,ANN理論在電力系統(tǒng)中的應用具有很大的潛力,目前已涉及到如暫態(tài),動穩(wěn)分析,負荷預報,機組最優(yōu)組合,警報處理與故障診斷,配電網(wǎng)線損計算,發(fā)電規(guī)劃,經(jīng)濟運行及電力系統(tǒng)控制等方面[5]。
本文介紹了一種基于人工神經(jīng)網(wǎng)絡(ANN)理論的保護原理。
1 人工神經(jīng)網(wǎng)絡理論概述
BP算法是一種監(jiān)控學習技巧,它通過比較輸出單元的真實輸出和希望值之間的差別,調(diào)整網(wǎng)絡路徑的權值,以使下一次在相同的輸入下,網(wǎng)絡的輸出接近于希望值。圖1是人工神經(jīng)Ui的結構模型,圖中Ui為神經(jīng)元內(nèi)部狀態(tài),Qi為門檻值,Yi為輸出信號,Xi(i=1,2,…,n)為神經(jīng)元接收信號。該模型可表示為:
式中 Wji——連接權值。
BP算法的神經(jīng)網(wǎng)絡圖形如圖2所示,設網(wǎng)絡的輸入模塊為p,令其作用下網(wǎng)絡輸出單元j的輸出為Opj。如果輸出的希望值是Tpj,則其誤差為Dpj=Tpj-Opj。若輸入模塊的第i個單元輸入為Ipi,則就輸入模塊p而言,輸入接點I與輸出接點j之間的權值變化量為:
ΔWpji=zDpjIpi
式中,z是某一個常數(shù)。當反復迭代該式時,便可使實際值收斂于目標值[6]。其中隱含層既有輸入網(wǎng)線,又有輸出網(wǎng)線,每一個箭頭都有一定的權值。
在神經(jīng)網(wǎng)絡投運前,就應用大量的數(shù)據(jù),包括正常運行的、不正常運行的,作為其訓練內(nèi)容,以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡的權值。在投運后,還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習,以擴充ANN內(nèi)存知識量。從算法原理看,并行處理能力和非線性功能是BP算法的一大優(yōu)點。
2 神經(jīng)網(wǎng)絡型繼電保護
神經(jīng)網(wǎng)絡理論的保護裝置,可判別更復雜的模式,其因果關系是更復雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(ANN)與專家系統(tǒng)(ES)融為一體的神經(jīng)網(wǎng)絡專家系統(tǒng),其中,ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式,ES是認知的和啟發(fā)式的。
如圖3所示,裝置可直接取線路及其周邊的模擬量、數(shù)字量,經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡,根據(jù)以前學習過的訓練材料,對數(shù)據(jù)進行推理、分析評價、輸出。專家系統(tǒng)對運行過程控制和訓練,按最優(yōu)方式收集數(shù)據(jù)或由分析過程再收集控制,對輸出結果進行評估,判別其正確性、一致性,作出最終判決,經(jīng)變換輸出,去執(zhí)行機構。即使是新型保護,也會存在著某些功能模塊不正確動作的可能,這時可以過后人為干預擴展專家系統(tǒng)數(shù)據(jù)庫或由專家系統(tǒng)作出判別,作為訓練樣本訓練ANN的這部分功能模塊,改變其某些網(wǎng)線的權值,以使下次相同情況下減少不正確動作的可能。
下面是一個簡單的ANN線路保護例子。當電力系統(tǒng)故障時,輸電線路各相、各序電壓、電流也隨之發(fā)生變化,特別是故障后故障相的相電壓和相電流,以及接地系統(tǒng)在接地故障的零序電流的變化有明顯的代表性。比如選輸入層神經(jīng)元個數(shù)為14個,分別是Uar,Uai,Ubr,Ubi,UcrUci,Iai,Ibr,Ibi,Icr,Ici,Ior,Ioi(下標r和i分別代表實部與虛部),選定輸出層神經(jīng)元個數(shù)為5個:YA(A相),YB(B相),YC(C相),YO(接地),YF(方向),各輸出值為1,代表選中;輸出值為0,代表沒選中(YF為0代表反向)。這5個輸出完全滿足線路方向保護的需求(沒考慮正向超越),隱含層神經(jīng)元數(shù)目為2N+1(N為輸入層神經(jīng)元數(shù)目)。訓練樣本集包含14個輸入變量和5個輸出變量,而測試樣本集中的樣本則只有14個輸入變量。選圖4的雙側電源系統(tǒng)作研究對象,輸電線路、系統(tǒng)的等值正、零序參數(shù)如圖4所示。
考慮的故障類型包括單相接地(K1),兩相短路(K2),兩相接地(K1—1),三相短路(K3)。
對圖4所示的500?kV雙側電源系統(tǒng)的各種運行方式和故障情況建立訓練樣本。
在正常狀態(tài)下,令h∠δ=(EM)/(EN),h=1,δ
隨負荷變化,取為-60°,-50°,-40°,-30°,-20°,-10°,0°,10°,20°,30°,40°,50°,60°,有13個樣本。故障情況下,δ取值為-60°,-30°,0°,30°,60°,故障點選反向出口(-0?km),正向出口(+0?km),線路中部(150?km),線末(300?km)。接地電阻Rg取值0?Ω,50?Ω,100?Ω,150?Ω,200?Ω,相間電阻Rp取值0?Ω,25?Ω,50?Ω,則共有5×4×(5+3+5×3+3)=520個樣本。每個樣本的5個輸出都有一組期望的輸出值,以此作為訓練樣本。而實際運行、故障時,保護所測到的電流、電壓極少直接與樣本相同,此時就需要用到模糊理論,規(guī)定某個輸出節(jié)點。如YA(A相)在某一取值范圍時,則被選中。
文獻[1]認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡,因此保護應選用全波數(shù)據(jù)窗。
ANN保護裝置出廠后,還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習,學習內(nèi)容針對該省的保護的特別要求進行(如反措)。到現(xiàn)場,還可根據(jù)該站的干擾情況進行反誤動、反拒動學習,特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。
3 結論
本文基于現(xiàn)代控制技術提出了人工神經(jīng)網(wǎng)絡理論的保護構想。神經(jīng)網(wǎng)絡軟件的反應速度比純數(shù)字計算軟件快幾十倍以上,這樣,在相同的動作時間下,可以大大提高保護運算次數(shù),以實現(xiàn)在時間上即次數(shù)上提高冗余度。
一套完整的ANN保護是需要有很多輸入量的,如果對某套保護來說,區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同,則很難以此作為訓練樣本訓練保護,而每套保護都增多輸入量,必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法,各套保護通過總線聯(lián)網(wǎng),交換信息,充分利用ANN的并行處理功能,每套保護均對其它線路信息進行加工,以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件,加上對其動作正確性與否的判斷,作為本身的訓練內(nèi)容,因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作,特別是高頻模擬量。
神經(jīng)網(wǎng)絡的硬件芯片現(xiàn)在仍很昂貴,但技術成熟時,應利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外,神經(jīng)網(wǎng)絡的并行處理和信息分布存儲機制還不十分清楚,如何選擇的網(wǎng)絡結構還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡基本理論進行深入的研究,以形成完善的理論體系,創(chuàng)造出更適合于實際應用的新型網(wǎng)絡及學習算法[5]。
參考文獻
1 陳炳華.采用模式識別(智能型)的保護裝置的設想.中國電機工程學會第五屆全國繼電保護學術會議,[會址不詳],1993
2 Robert?E.Uhrig.Application?of?Artificial?Neural?Networks?in?Industrial?Technology.IEEE?Trans,1994,10(3).(1):371~377
3 Lee?T?H,Wang?Q?C,Tan?W?K.A?Framework?for?Robust?Neural?Network-Based?Control?of?Nonlinear?Servomechannisms.IEEE?Trans,1993,3(2).(3):190~197
4 Chow?Mo-Yuen.The?Advantage?of?Machine?Fault?Detection?Using?Artificial?Neural?Networks?and?Fuzzy?Logic?Technology.IEEE?Trans,1992,5(6).(2):1078~1085
5 吳捷.現(xiàn)代控制技術在電力系統(tǒng)控制中的應用.全國高校電力系統(tǒng)及其自動化專業(yè)年會,廣州,1997
6 Matthew?Zedenberg.Neural?Networks?Models?in?Artificial?Intelligence.[s.l.]:[s.n.],[s.a.]
人工神經(jīng)網(wǎng)絡(Aartificial?Neural?Network,下簡稱ANN)是模擬生物神經(jīng)元的結構而提出的一種信息處理方法。早在1943年,已由心理學家Warren?S.Mcculloch和數(shù)學家Walth?H.Pitts提出神經(jīng)元數(shù)學模型,后被冷落了一段時間,80年代又迅猛興起[1]。ANN之所以受到人們的普遍關注,是由于它具有本質(zhì)的非線形特征、并行處理能力、強魯棒性以及自組織自學習的能力。其中研究得最為成熟的是誤差的反傳模型算法(BP算法,Back?Propagation),它的網(wǎng)絡結構及算法直觀、簡單,在工業(yè)領域中應用較多。
經(jīng)訓練的ANN適用于利用分析振動數(shù)據(jù)對機器進行監(jiān)控和故障檢測,預測某些部件的疲勞壽命[2]。非線形神經(jīng)網(wǎng)絡補償和魯棒控制綜合方法的應用(其魯棒控制利用了變結構控制或滑動??刂?,在實時工業(yè)控制執(zhí)行程序中較為有效[3]。人工神經(jīng)網(wǎng)絡(ANN)和模糊邏輯(Fuzzy?Logic)的綜合,實現(xiàn)了電動機故障檢測的啟發(fā)式推理。對非線形問題,可通過ANN的BP算法學習正常運行例子調(diào)整內(nèi)部權值來準確求解[4]。
因此,對于電力系統(tǒng)這個存在著大量非線性的復雜大系統(tǒng)來講,ANN理論在電力系統(tǒng)中的應用具有很大的潛力,目前已涉及到如暫態(tài),動穩(wěn)分析,負荷預報,機組最優(yōu)組合,警報處理與故障診斷,配電網(wǎng)線損計算,發(fā)電規(guī)劃,經(jīng)濟運行及電力系統(tǒng)控制等方面[5]。
本文介紹了一種基于人工神經(jīng)網(wǎng)絡(ANN)理論的保護原理。
1 人工神經(jīng)網(wǎng)絡理論概述
BP算法是一種監(jiān)控學習技巧,它通過比較輸出單元的真實輸出和希望值之間的差別,調(diào)整網(wǎng)絡路徑的權值,以使下一次在相同的輸入下,網(wǎng)絡的輸出接近于希望值。圖1是人工神經(jīng)Ui的結構模型,圖中Ui為神經(jīng)元內(nèi)部狀態(tài),Qi為門檻值,Yi為輸出信號,Xi(i=1,2,…,n)為神經(jīng)元接收信號。該模型可表示為:
式中 Wji——連接權值。
BP算法的神經(jīng)網(wǎng)絡圖形如圖2所示,設網(wǎng)絡的輸入模塊為p,令其作用下網(wǎng)絡輸出單元j的輸出為Opj。如果輸出的希望值是Tpj,則其誤差為Dpj=Tpj-Opj。若輸入模塊的第i個單元輸入為Ipi,則就輸入模塊p而言,輸入接點I與輸出接點j之間的權值變化量為:
ΔWpji=zDpjIpi
式中,z是某一個常數(shù)。當反復迭代該式時,便可使實際值收斂于目標值[6]。其中隱含層既有輸入網(wǎng)線,又有輸出網(wǎng)線,每一個箭頭都有一定的權值。
在神經(jīng)網(wǎng)絡投運前,就應用大量的數(shù)據(jù),包括正常運行的、不正常運行的,作為其訓練內(nèi)容,以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡的權值。在投運后,還可根據(jù)現(xiàn)場的特定情況進行現(xiàn)場學習,以擴充ANN內(nèi)存知識量。從算法原理看,并行處理能力和非線性功能是BP算法的一大優(yōu)點。
2 神經(jīng)網(wǎng)絡型繼電保護
神經(jīng)網(wǎng)絡理論的保護裝置,可判別更復雜的模式,其因果關系是更復雜的、非線性的、模糊的、動態(tài)的和非平穩(wěn)隨機的。它是神經(jīng)網(wǎng)絡(ANN)與專家系統(tǒng)(ES)融為一體的神經(jīng)網(wǎng)絡專家系統(tǒng),其中,ANN是數(shù)值的、聯(lián)想的、自組織的、仿生的方式,ES是認知的和啟發(fā)式的。
如圖3所示,裝置可直接取線路及其周邊的模擬量、數(shù)字量,經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡,根據(jù)以前學習過的訓練材料,對數(shù)據(jù)進行推理、分析評價、輸出。專家系統(tǒng)對運行過程控制和訓練,按最優(yōu)方式收集數(shù)據(jù)或由分析過程再收集控制,對輸出結果進行評估,判別其正確性、一致性,作出最終判決,經(jīng)變換輸出,去執(zhí)行機構。即使是新型保護,也會存在著某些功能模塊不正確動作的可能,這時可以過后人為干預擴展專家系統(tǒng)數(shù)據(jù)庫或由專家系統(tǒng)作出判別,作為訓練樣本訓練ANN的這部分功能模塊,改變其某些網(wǎng)線的權值,以使下次相同情況下減少不正確動作的可能。
下面是一個簡單的ANN線路保護例子。當電力系統(tǒng)故障時,輸電線路各相、各序電壓、電流也隨之發(fā)生變化,特別是故障后故障相的相電壓和相電流,以及接地系統(tǒng)在接地故障的零序電流的變化有明顯的代表性。比如選輸入層神經(jīng)元個數(shù)為14個,分別是Uar,Uai,Ubr,Ubi,UcrUci,Iai,Ibr,Ibi,Icr,Ici,Ior,Ioi(下標r和i分別代表實部與虛部),選定輸出層神經(jīng)元個數(shù)為5個:YA(A相),YB(B相),YC(C相),YO(接地),YF(方向),各輸出值為1,代表選中;輸出值為0,代表沒選中(YF為0代表反向)。這5個輸出完全滿足線路方向保護的需求(沒考慮正向超越),隱含層神經(jīng)元數(shù)目為2N+1(N為輸入層神經(jīng)元數(shù)目)。訓練樣本集包含14個輸入變量和5個輸出變量,而測試樣本集中的樣本則只有14個輸入變量。選圖4的雙側電源系統(tǒng)作研究對象,輸電線路、系統(tǒng)的等值正、零序參數(shù)如圖4所示。
考慮的故障類型包括單相接地(K1),兩相短路(K2),兩相接地(K1—1),三相短路(K3)。
對圖4所示的500?kV雙側電源系統(tǒng)的各種運行方式和故障情況建立訓練樣本。
在正常狀態(tài)下,令h∠δ=(EM)/(EN),h=1,δ
隨負荷變化,取為-60°,-50°,-40°,-30°,-20°,-10°,0°,10°,20°,30°,40°,50°,60°,有13個樣本。故障情況下,δ取值為-60°,-30°,0°,30°,60°,故障點選反向出口(-0?km),正向出口(+0?km),線路中部(150?km),線末(300?km)。接地電阻Rg取值0?Ω,50?Ω,100?Ω,150?Ω,200?Ω,相間電阻Rp取值0?Ω,25?Ω,50?Ω,則共有5×4×(5+3+5×3+3)=520個樣本。每個樣本的5個輸出都有一組期望的輸出值,以此作為訓練樣本。而實際運行、故障時,保護所測到的電流、電壓極少直接與樣本相同,此時就需要用到模糊理論,規(guī)定某個輸出節(jié)點。如YA(A相)在某一取值范圍時,則被選中。
文獻[1]認為全波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡在準確性方面優(yōu)于利用半波數(shù)據(jù)窗建立的神經(jīng)網(wǎng)絡,因此保護應選用全波數(shù)據(jù)窗。
ANN保護裝置出廠后,還可以在投運單位如網(wǎng)調(diào)、省調(diào)實驗室內(nèi)進行學習,學習內(nèi)容針對該省的保護的特別要求進行(如反措)。到現(xiàn)場,還可根據(jù)該站的干擾情況進行反誤動、反拒動學習,特別是一些常出現(xiàn)波形間斷的變電站內(nèi)的高頻保護。
3 結論
本文基于現(xiàn)代控制技術提出了人工神經(jīng)網(wǎng)絡理論的保護構想。神經(jīng)網(wǎng)絡軟件的反應速度比純數(shù)字計算軟件快幾十倍以上,這樣,在相同的動作時間下,可以大大提高保護運算次數(shù),以實現(xiàn)在時間上即次數(shù)上提高冗余度。
一套完整的ANN保護是需要有很多輸入量的,如果對某套保護來說,區(qū)內(nèi)、區(qū)外故障時其輸入信號幾乎相同,則很難以此作為訓練樣本訓練保護,而每套保護都增多輸入量,必然會使保護、二次接線復雜化。變電站綜合自動化也許是解決該問題的一個較好方法,各套保護通過總線聯(lián)網(wǎng),交換信息,充分利用ANN的并行處理功能,每套保護均對其它線路信息進行加工,以此綜合得出動作判據(jù)。每套保護可把每次錄得的數(shù)據(jù)文件,加上對其動作正確性與否的判斷,作為本身的訓練內(nèi)容,因為即使有時人工分析也不能區(qū)分哪些數(shù)據(jù)特征能使保護不正確動作,特別是高頻模擬量。
神經(jīng)網(wǎng)絡的硬件芯片現(xiàn)在仍很昂貴,但技術成熟時,應利用硬件實現(xiàn)現(xiàn)在的軟件功能。另外,神經(jīng)網(wǎng)絡的并行處理和信息分布存儲機制還不十分清楚,如何選擇的網(wǎng)絡結構還沒有充分的理論依據(jù)。所有這些都有待于對神經(jīng)網(wǎng)絡基本理論進行深入的研究,以形成完善的理論體系,創(chuàng)造出更適合于實際應用的新型網(wǎng)絡及學習算法[5]。
參考文獻
1 陳炳華.采用模式識別(智能型)的保護裝置的設想.中國電機工程學會第五屆全國繼電保護學術會議,[會址不詳],1993
2 Robert?E.Uhrig.Application?of?Artificial?Neural?Networks?in?Industrial?Technology.IEEE?Trans,1994,10(3).(1):371~377
3 Lee?T?H,Wang?Q?C,Tan?W?K.A?Framework?for?Robust?Neural?Network-Based?Control?of?Nonlinear?Servomechannisms.IEEE?Trans,1993,3(2).(3):190~197
4 Chow?Mo-Yuen.The?Advantage?of?Machine?Fault?Detection?Using?Artificial?Neural?Networks?and?Fuzzy?Logic?Technology.IEEE?Trans,1992,5(6).(2):1078~1085
5 吳捷.現(xiàn)代控制技術在電力系統(tǒng)控制中的應用.全國高校電力系統(tǒng)及其自動化專業(yè)年會,廣州,1997
6 Matthew?Zedenberg.Neural?Networks?Models?in?Artificial?Intelligence.[s.l.]:[s.n.],[s.a.]
下載該資料的人也在下載
下載該資料的人還在閱讀
更多 >
- 人工神經(jīng)網(wǎng)絡的原理及仿真實例 0次下載
- BP神經(jīng)網(wǎng)絡的研究進展 5次下載
- 基于人工神經(jīng)網(wǎng)絡的系統(tǒng)辨識與控制 8次下載
- 人工神經(jīng)網(wǎng)絡控制 13次下載
- 基于不同神經(jīng)網(wǎng)絡的文本分類方法研究對比 48次下載
- 人工神經(jīng)網(wǎng)絡分類和其應用 5次下載
- 緊湊的卷積神經(jīng)網(wǎng)絡模型研究綜述 9次下載
- 人工神經(jīng)網(wǎng)絡的學習資料總結 13次下載
- 神經(jīng)網(wǎng)絡與神經(jīng)網(wǎng)絡控制的學習課件免費下載 7次下載
- 人工神經(jīng)網(wǎng)絡的發(fā)展及應用 26次下載
- 神經(jīng)網(wǎng)絡在機器人運動控制中的應用 38次下載
- 人工神經(jīng)網(wǎng)絡在天線設計中的應用 67次下載
- 人工神經(jīng)網(wǎng)絡實用教程下載
- 自適應模糊神經(jīng)網(wǎng)絡研究
- 人工神經(jīng)網(wǎng)絡導論
- BP神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡的關系 530次閱讀
- BP神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)絡的區(qū)別 338次閱讀
- 全連接前饋神經(jīng)網(wǎng)絡與前饋神經(jīng)網(wǎng)絡的比較 7417次閱讀
- 人工神經(jīng)網(wǎng)絡的案例分析 471次閱讀
- 深度神經(jīng)網(wǎng)絡與基本神經(jīng)網(wǎng)絡的區(qū)別 307次閱讀
- 人工神經(jīng)網(wǎng)絡的工作原理和基本特征 319次閱讀
- 用于自然語言處理的神經(jīng)網(wǎng)絡有哪些 302次閱讀
- 卷積神經(jīng)網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)絡的區(qū)別 866次閱讀
- 卷積神經(jīng)網(wǎng)絡的基本結構 249次閱讀
- 神經(jīng)網(wǎng)絡和人工智能的關系 224次閱讀
- 神經(jīng)網(wǎng)絡架構有哪些 321次閱讀
- 如何訓練和優(yōu)化神經(jīng)網(wǎng)絡 261次閱讀
- 詳解深度學習、神經(jīng)網(wǎng)絡與卷積神經(jīng)網(wǎng)絡的應用 1557次閱讀
- 基于石墨烯的神經(jīng)突觸可用于人工神經(jīng)網(wǎng)絡 3217次閱讀
- BP神經(jīng)網(wǎng)絡概述 4.4w次閱讀
下載排行
本周
- 1電子電路原理第七版PDF電子教材免費下載
- 0.00 MB | 1490次下載 | 免費
- 2單片機典型實例介紹
- 18.19 MB | 93次下載 | 1 積分
- 3S7-200PLC編程實例詳細資料
- 1.17 MB | 27次下載 | 1 積分
- 4筆記本電腦主板的元件識別和講解說明
- 4.28 MB | 18次下載 | 4 積分
- 5開關電源原理及各功能電路詳解
- 0.38 MB | 11次下載 | 免費
- 6100W短波放大電路圖
- 0.05 MB | 4次下載 | 3 積分
- 7基于AT89C2051/4051單片機編程器的實驗
- 0.11 MB | 4次下載 | 免費
- 8基于單片機的紅外風扇遙控
- 0.23 MB | 3次下載 | 免費
本月
- 1OrCAD10.5下載OrCAD10.5中文版軟件
- 0.00 MB | 234313次下載 | 免費
- 2PADS 9.0 2009最新版 -下載
- 0.00 MB | 66304次下載 | 免費
- 3protel99下載protel99軟件下載(中文版)
- 0.00 MB | 51209次下載 | 免費
- 4LabView 8.0 專業(yè)版下載 (3CD完整版)
- 0.00 MB | 51043次下載 | 免費
- 5555集成電路應用800例(新編版)
- 0.00 MB | 33562次下載 | 免費
- 6接口電路圖大全
- 未知 | 30320次下載 | 免費
- 7Multisim 10下載Multisim 10 中文版
- 0.00 MB | 28588次下載 | 免費
- 8開關電源設計實例指南
- 未知 | 21539次下載 | 免費
總榜
- 1matlab軟件下載入口
- 未知 | 935053次下載 | 免費
- 2protel99se軟件下載(可英文版轉中文版)
- 78.1 MB | 537791次下載 | 免費
- 3MATLAB 7.1 下載 (含軟件介紹)
- 未知 | 420026次下載 | 免費
- 4OrCAD10.5下載OrCAD10.5中文版軟件
- 0.00 MB | 234313次下載 | 免費
- 5Altium DXP2002下載入口
- 未知 | 233046次下載 | 免費
- 6電路仿真軟件multisim 10.0免費下載
- 340992 | 191183次下載 | 免費
- 7十天學會AVR單片機與C語言視頻教程 下載
- 158M | 183277次下載 | 免費
- 8proe5.0野火版下載(中文版免費下載)
- 未知 | 138039次下載 | 免費
評論
查看更多