1、“.....适用于提前停止方法，可提高网络的推广能力弹性学习算法，收敛较快，占用存储空间较小，性能随网络训练误差减小而变差。在网络的实际设计和训练中，总是要加进上述两种方法中的种，或两种同时使用。本文采用两种算法相结合，即算法，即动量法和学习率自适应调整的策略，从而提高了学习速度并增加了算法的可靠性。算法为该方法增加的动量项相当于阻尼项，减小了学习过程的振荡趋势，改善了收敛性，而自适应调整学习率有利于缩短学习时间，从表达式可以看出，当连续两次迭代梯度方向相同时，表明下降太慢，这时可使步长加倍当连续两次迭代梯度方向相反时，表明下降太快，这时可使步长减半。对于训练算法，其训练步骤和算法完全相同，只是其权值修正公式不同......”。

2、“.....基于最小风险的决策，最小最大决策等分类决策方法，就其性能来说，分类器在理论上已被证明是最优的，但这种分类器的设计要求给定各类样本的先验概率密度，对非大量样本问题的分类是困难的，经济上是不合算的。基于模糊模式识别的分类器设计方法主要包括模糊均值聚类算法和改进的模糊均值聚类算法，与分类方法比较，基于模糊聚类算法的分类方法具有运算快，有较好的鲁棒性，但是可能产生远离样本中心的野值，或对预先设定的聚类中心不敏感。基于神经网络的分类器设计方法即利用神经网络的逼近能力，将输入特征向量与标准输出量之间的关系通过对神经网络的训练存储在神经网络的权值中，神经网络能很好地解决非线性系统的识别问题......”。

3、“.....只要有充分多的隐层单元，就可以任意逼近个有限维的函数，这说明神经网络可以作为通用的函数逼近器。与分类方法比较，神经网络的应用不需要确定各类样本的先验概率密度，只需要确定神经网络的标准输入与输出量即可，因而是种折衷的方法。神经网络对于处理环境信息十分复杂背景知识不是很清楚推理规则不明确的分类问题，具有明显的优势。三相桥式整流装置神经网络分类器模型的建立故障的神经网络识别的实质是整流装置运行状态的识别过程，在应用神经网络进行故障识别时，首先建立用于故障识别的神经网络模型，主要确定输入样本与标准输出量，确定神经网络的类型与规模，然后对神经网络进行训练，通过训练，将标准输入样本与标准输出量的对应关系存储在网络权值中......”。

4、“.....第五章中触发角为，时取得的各故障特征样本形成故障特征矩阵，作为故障诊断的训练输入样本。确定输出向量对于每种故障情况，都有不同的输出向量相对应。如表所示。表神经网络输出编码代码故障元正常三相桥式全控整流装置故障类型共有大类小类，设置故障状态对应的每个输出向量定为六个元素如，或的格式，其中高三位代表故障类型，低三位代表发生故障的晶闸管，即无故障的时候二进制高三位是代表第类无故障状态，二进制高三位则代表第二类故障有个晶闸管损坏二进制的低三位则表示具体哪个晶闸管损坏，低三位代表晶闸管损坏，代表晶闸管损坏，依次类推。网络模型的确定在设计网络时，通常应考虑网络的隐层数每层中的神经元即节点个数和激活函数初始值以及学习速率等。总体设计思路如图所示......”。

5、“.....能够逼近任何有理函数。对于较复杂的问题，更多层的网络有可能获得更精简的结果，误差也可能更小，但同时也使网络复杂化，增加网络权值的训练时间，而误差精度的提高也可以通过增加隐含层中的节点数来获得，其训练效果也比增加层数更易观察和调整。本文选用三层网络。输入输出及隐含层的节点数输入层和输出层的神经元个数般由实际问题决定，即输入层的节点数是实际问题的输入向量的大小，而输出层的节点数是实际问题输出存在的个数。本论文中用试凑的方法确定隐层的神经元个数。先设置较少的隐层节点训练网络，然后逐步增加隐层节点数，从中确定网络误差最小时对应的隐层节点数。在用试凑法时......”。

6、“.....其中，为隐层节点数，为输入层节点数，为输出层节点数，为之间的常数。本文中网络输入层节点数为个，输出层节点数为个，隐层初始节点数为个。网络激励函数的选择网络通常有个或多个隐层，隐层中的神经元均采用型函数，其中包括对数型和双曲正切型。输出层的神经元般用纯线性函数即函数。神经网络分类器的训练与仿真结果分析在神经网络的训练过程中，将训练样本输入神经网络，均方误差设定为，经多次调整网络结构选为。经多次训练调整后达到期望的均方误差。误差变化曲线图如图所示。图误差变化曲线图可以看出，神经网络的训练过程中输出的误差逐渐减小，网络经过次迭代计算，达到误差小于的要求，这样就建立了三相桥式全控整流装置故障的神经网络分类器，可以用于故障诊断......”。

7、“.....分别使用训练样本集表和表，测试样本集表和表给出两组数据，对网络进行训练和测试。表训练处理后数据故障元触发角正常表训练处理后数据故障元特征向量正常触发角为，时的网络输出值如表和表所示。表诊断输出结果故障元实际输出诊断结果正常正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确表诊断输出结果故障元实际输出诊断结果正常正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确正确诊断结果如下当采用的特征向量为输入时，故障诊断正确率达。例如，对于表中的故障元，其理想输出为实际输出为，，，，，，即实际输出向量对故障类型的判断是正确的。用触发角为的诊断样本检验网络的泛化能力时，诊断正确率为。可以看出在诊断的故障元中，任何角度其输出向量的高三位都是正确的......”。

8、“.....对于表中的故障元和，其理想输出为实际输出为，，，，，，即实际输出向量对故障类型的判断是的。如果先判断出故障类型，即属于第二类故障，又知道触发角为再用节所述的方法，利用小波变换的模极大值检测其输出波形的奇异点的相位，通过查表确定故障晶闸管为和，判断出的故障元的正确率将接近。或者是采用给出的方法，查表得出故障晶闸管为和。综上所述，本文设计的神经网络分类器实际输出与目标输出在训练样本集作为测试输入时十分接近，故障诊断的正确率达到。网络的输出结果同时说明了神经网络具有很强的非线性分类能力，能准确判断三相桥式全控整流装置的故障类型，故障定位比较准确，能够快速准确的找到故障元，因此用神经网络作为故障诊断分类器是适宜的。而且通过这次设计，发现小波变换检测突变点也是非常准确的......”。

9、“.....能使三相桥式全控整流装置故障判断准确率达到，通过这次试验希望将推广的电气设备故障诊断的各个方面。第章结论与展望结论本文主要研究故障晶闸管的检测，用对三相桥式整流电路仿真。本文的主要工作与获得的结论如下通过对三相全控桥进行仿真，得到种故障晶闸管波形信号。对故障状态波形的信号进行小波变换，利用小波变换系数的模极大值检测故障波形的突变点，精确的确定出故障发生时刻。利用多分辨率分析提取各频段的能量值作为模式识别的特征数据。利用神经网络良好的非线性映射特性，作为模式识别的分类器对故障进行分类。使电力电子装置故障诊断系统能快速的定位故障点，实现各类故障的精确分类。展望虽然小波变换和小波网络技术都不需要基于模型的诊断方法所需要的建模过程，但实际上，这其中包含着许多必须仔细考虑的细节和工作......”。