《表3 不同评估模型测试结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《采用长短期记忆网络与压缩感知实现电物理量轻型化方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

比较LSTM，DBN和BP神经网络对三相短路B相电流样本评估性能。文献[11]DBN由一层BP神经网络和若干层受限玻尔兹曼机（restricted Boltzmann machine，RBM）栈式叠加而成，拥有强大的特征提取能力，隐藏层的层数和每层的单元数需要根据经验设置，节点服从伯努利分布。用Prony算法提取短路电流中各典型分量的特征参数作为DBN和BP的输入，即DBN和BP输入神经单元个数为20，期望输出为[0，0，1，1]，输出神经单元个数为4，而Prony算法数据记录长度应至少包括已知最低频率模式的两个周期[26]，导致计算量大、耗时长、误差大。BP神经网络层数为3层，每层的神经单元数依次为20-17-4，误差αgoal=0.001；DBN的层数设定为4层，每层的神经单元数依次为20-8-5-4，无监督学习的动量为0.5，学习率为0.001，迭代次数为400，损失函数L≤0.001时模式识别成功。考虑到评估性能的随机性，各类ib（t）信号抽样10次分别测试，结果见表3，表中的评估准确率为各次测试的平均值。