《表2 部分样本对应的系统状态》

  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

随机抽取4.1节样本集的80%样本作为训练样本集，剩下的样本用于测试。样本预处理后，样本数据用2B长度表示即输入神经单元数为16，样本标注用4bit长度表示，s=4（即输出神经单元数为4），LSTM的偏置和权重初始随机设置，采用BPTT算法训练网络参数，迭代次数iter=400，学习率η=0.001，当损失函数L≤0.001时停止迭代。经大量试验，LSTM网络单独对雷电流样本、稳态运行电流样本和三相短路电流样本训练时，样本长度分别为τ0=23，τ1=121和τ2=224所用的训练时间最短。混合样本按三相短路电流样本→稳态运行电流样本→雷电流样本的顺序循环对LSTM参数训练，直至训练完成，网络隐藏层的细胞单元个数n=17时，LSTM网络训练所用时间t≈19.5s最短。混合训练样本循环训练完成，网络参数稳定，能对各样本模式准确识别。三相短路电流和稳态运行电流部分样本对应的系统状态如表2所示。表中:上标′表示三相短路结果。