蚁群算法优化神经网络的零点误差非线性校正

doi:10.3969/j.issn.1000-3428.2013.06.055

计算机工程 ›› 2013, Vol. 39 ›› Issue (6): 247-250.doi: 10.3969/j.issn.1000-3428.2013.06.055

蚁群算法优化神经网络的零点误差非线性校正

吴文铁，宋曰聪，李敏

(绵阳师范学院数学与计算机科学学院，四川绵阳 621000)

收稿日期:2012-06-20 出版日期:2013-06-15 发布日期:2013-06-14
作者简介:吴文铁(1977－)，男，讲师、硕士，主研方向：人工智能；宋曰聪，教授；李敏，讲师、博士研究生
基金项目:
四川省教育厅基金资助项目(11ZA166)；绵阳师范学院2011校级学科群建设基金资助项目(2011C05)

Zero Error Nonlinear Correction of Neural Network Optimized by Ant Colony Optimization Algorithm

WU Wen-tie, SONG Yue-cong, LI Min

(School of Mathematics and Computer Science, Mianyang Normal University, Mianyang 621000, China)

Received:2012-06-20 Online:2013-06-15 Published:2013-06-14

摘要/Abstract

摘要： 为解决电流互感器的零点误差非线性校正问题，提出一种蚁群算法优化径向基函数(RBF)的零点误差非线性校正方法(ACO-RBF)。利用蚁群算法对RBF神经网络参数进行优化，并采用优化后的RBF神经网络对电流互感器零点误差进行自适应校正。仿真结果表明，相对于其他校正方法，ACO-RBF可提高电流互感器自动测试系统的测量精度，减少测量误差，较好地反映零点误差变化的特点。

关键词: 电流互感器, 零点误差, 径向基函数神经网络, 蚁群算法, 非线性校正

Abstract: Aiming at zero error nonlinear correction problem of Current Transformer(CT), this paper presents a nonlinear sensor zero error correction algorithm based on Radial Basis Function(RBF) neural network optimized by Ant Colony Optimization(ACO) method(ACO-RBF). The parameters of RBF neural network are optimized by ACO algorithm, and the optimized RBF neural network is used to correct CT zero error adaptively. Simulation results show that the proposed method can effectively improve the measuring accuracy of automatic test system and reduce measurement error compared with other methods. It can reflect the characteristic of zero.

Key words: Current Transformer(CT), zero error, Radial Basis Function(RBF) neural network, ant colony algorithm, nonlinear correction

中图分类号:

TP216

吴文铁, 宋曰聪, 李敏. 蚁群算法优化神经网络的零点误差非线性校正[J]. 计算机工程, 2013, 39(6): 247-250.

TUN Wen-Tie, SONG Yue-Cong, LI Min. Zero Error Nonlinear Correction of Neural Network Optimized by Ant Colony Optimization Algorithm[J]. Computer Engineering, 2013, 39(6): 247-250.

参考文献

[1] Villamagna N. A CT Saturation Detection Algorithm Using Symmetrical Components for Current Differential Pro- tection[J]. IEEE Trans. on Power Delivery, 2006, 21(1): 38-45.
[2] Pan Jiuping, Khoi V, Hu Yi. An Efficient Compensation Algorithm for Current Transformer Saturation Effects[J]. IEEE Trans. on Power Delivery, 2004, 19(4): 1623-1628.
[3] 洪小丽, 彭彬. 自感式电感传感器中零点误差的处理[J]. 中国仪器仪表, 2007, 20(1): 76-78.
[4] 赵庆明, 李永丽, 贺家李. 基于支持向量机的电流互感器饱和补偿算法[J]. 电网技术, 2008, 32(4): 86-90.
[5] Ai Xin, Bao Hai. Novel Method of Error Current Compen- sation for Hall-effect-based High-accuracy Current Trans- former[J]. IEEE Trans. on Power Delivery, 2005, 20(1): 11-14.
[6] 陈丽, 李佳琦, 贾清泉, 等. 一种电流互感器饱和误差补偿算法研究[J]. 电力系统保护与控制, 2009, 38(4): 41-44.
[7] 韦国勋, 杨煜普. 利用CPSO-RBF神经网络的电流互感器自动测试校正研究[J]. 测控技术, 2010, 29(4): 82-86.
[8] 俞阿龙. 基于遗传算法的RBF神经网络在热敏电阻温度传感器非线性补偿中的应用[J]. 电工技术学报, 2005, 20(8): 100-103.
[9] 陈俊杰, 芦俊, 黄惟. 基于遗传神经网络的传感器系统的非线性校正[J]. 仪器仪表学报, 2003, 24(2): 201-205.
[10] 韦国勋. 基于软测量技术的虚拟仪器可靠性分析与优化设计[D]. 上海: 上海交通大学, 2009.
[11] 刘秋丽, 马晓军, 袁东, 等. 粒子群优化神经网络在SoC估算中的应用[J]. 计算机工程, 2012, 38(12): 143-145.
[12] 肖乐, 甄彤, 郭天池, 等. 基于蚁群算法的粮食应急调度问题研究[J]. 计算机工程, 2011, 37(20): 10-12.
[13] 龙文, 梁昔明, 龙祖强, 等. 基于改进蚁群算法优化参数的LSSVM短期负荷预测[J]. 中南大学学报: 自然科学版, 2011, 42(11): 3408-3414.
[14] 龙文, 梁昔明, 龙祖强, 等. 基于蚁群算法和LSSVM的锅炉燃烧优化预测控制[J]. 电力自动化设备, 2011, 32(11): 89-94.
编辑顾逸斐

[1]	东熠, 刘景发, 刘文杰. 基于多目标蚁群算法的主题爬虫策略[J]. 计算机工程, 2020, 46(9): 274-282.
[2]	蒋占军, 周涛, 杨永红. WSN中基于改进蚁群的能量优化路由算法[J]. 计算机工程, 2020, 46(4): 189-197.
[3]	魏新艳, 张琳. 物联网中基于信任的频谱资源分配机制[J]. 计算机工程, 2020, 46(4): 26-32,39.
[4]	党小超, 李月霞, 郝占军, 张彤. 一种基于改进蚁群算法的三维K-栅栏覆盖算法[J]. 计算机工程, 2020, 46(2): 221-229.
[5]	田纪尧, 刘广钟. WSN中基于多因素的能量优化分簇路由算法[J]. 计算机工程, 2020, 46(1): 179-186.
[6]	魏德宾, 刘健, 潘成胜, 邹启杰. 卫星网络中基于多QoS约束的蚁群优化路由算法[J]. 计算机工程, 2019, 45(7): 114-120.
[7]	杨力,刘蕴,魏德宾,蔡睿妍. 应用于卫星网络拓扑生成的快速收敛蚁群算法[J]. 计算机工程, 2019, 45(5): 93-98,104.
[8]	全力,傅明. 云计算中任务调度优化策略的研究[J]. 计算机工程, 2018, 44(8): 14-18.
[9]	王磊,乔莉,齐俊艳,刘志中. 基于蚁群算法的非均匀分簇水声传感网能量优化路由研究[J]. 计算机工程, 2018, 44(12): 150-155,162.
[10]	蔡美,刘波. 基于蚁群算法的异常数据检测方法[J]. 计算机工程, 2016, 42(8): 166-169,177.
[11]	武玉英,胡喆,何喜军,蒋国瑞. 公平关切下的供应链产销协同自适应协商策略[J]. 计算机工程, 2016, 42(4): 160-167.
[12]	张妍,傅秀芬. 基于三目标搜索的测试用例集约简方法[J]. 计算机工程, 2016, 42(3): 84-88.
[13]	刘治国,张自敬,李秦锋. 基于链路权重的分布式星群网络路由算法[J]. 计算机工程, 2015, 41(9): 145-149.
[14]	田冉,孙林夫,王楠,李斌勇. 求解多卸载点车载装箱问题的多信息素蚁群算法 [J]. 计算机工程, 2015, 41(8): 156-161.
[15]	彭诚,邹长春. 基于改进蚁群算法的成像测井裂缝自动提取方法[J]. 计算机工程, 2015, 41(8): 196-201.

蚁群算法优化神经网络的零点误差非线性校正

Zero Error Nonlinear Correction of Neural Network Optimized by Ant Colony Optimization Algorithm

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10