所以，任何输入向量是地址指针的集合，而输出向量，在 最简单的形式下，是这些地址指针的权值之和，因此，输 出p=(P,+P2+P)的每一个元素由一个单独的CMAC按下 式进行计算 Dr=akWik+akw2amkWnk (7.5) 式中A,=(ak,a2,amk)是第k个CMAC的联想单元向量。对 给定的输入，其输出值可随从于激活联想单元的权值的改变 而改变。 16
16 所以，任何输入向量是地址指针的集合，而输出向量，在 最简单的形式下，是这些地址指针的权值之和，因此，输 出 的每一个元素由一个单独的CMAC 按下 式进行计算 1 2 ( ) p p p p = + + n k k k k k n k nk 1 1 2 21 1 p a w a w a w = + + + (7.5) 式中 是第k个CMAC的联想单元向量。对 给定的输入，其输出值可随从于激活联想单元的权值的改变 而改变。 1 2 ( , , ) k k k nk A a a a =
7.2改进的CMAC干式变压器卷线机跑偏信号 谐波分析 卷线机跑偏信号是一种含有多次谐波的非线性信号，在 生产过程中，能否准确地检测到并识别卷线机跑偏信号， 对于控制精度起着极其重要的作用。 这里探讨一种基于改进的CMAC神经网络对干式变压器 卷线机跑偏信号谐波分析方法 17
17 7.2改进的CMAC干式变压器卷线机跑偏信号 谐波分析 卷线机跑偏信号是一种含有多次谐波的非线性信号，在 生产过程中，能否准确地检测到并识别卷线机跑偏信号， 对于控制精度起着极其重要的作用。 这里探讨一种基于改进的CMAC神经网络对干式变压器 卷线机跑偏信号谐波分析方法
7.2改进的CMAC干式变压器卷线机跑偏信号 谐波分析 种基于改进的CMAC神经网络对干式变压器卷线机跑 偏信号谐波分析方法： 该方法是在检测到干式变压器卷线机跑偏信号的基础上 对不同频率的谐波进行了分析、推论；将常规CMAC网 络的学习因子a改进成随学习误差e的变化动态调整；然后采 用这种基于改进的CMAC神经网络对跑偏各谐波分别辨识 ,再将主次非线性谐波叠加。 分析与大量仿真表明，这种对卷线机跑偏信号谐波分析 方法不仅能方便地识别出最大跑偏信号谐波的基频最小频 率范围，而且比在相同情况下采用常规的BP辨识的精度高 ， 最大学习误差在万分之2以内，学习速度提高20%，同时 得到了最大跑偏信号谐波的最简模型。 18
18 7.2改进的CMAC干式变压器卷线机跑偏信号 谐波分析 一种基于改进的CMAC神经网络对干式变压器卷线机跑 偏信号谐波分析方法： 该方法是在检测到干式变压器卷线机跑偏信号的基础上 ，对不同频率的谐波进行了分析、推论；将常规CMAC网 络的学习因子a改进成随学习误差e的变化动态调整；然后采 用这种基于改进的CMAC神经网络对跑偏各谐波分别辨识 ，再将主次非线性谐波叠加。 分析与大量仿真表明，这种对卷线机跑偏信号谐波分析 方法不仅能方便地识别出最大跑偏信号谐波的基频最小频 率范围，而且比在相同情况下采用常规的BP辨识的精度高 ，最大学习误差在万分之2以内，学习速度提高20%，同时 得到了最大跑偏信号谐波的最简模型