THE EFFECT OF ANN HIDDEN LAYER NEURAL NUMBER ON HARMONIC DETECTION

Abstract

In this study, feed forward artificial neural network using different hidden layer neural numbers have been investigated in order to study their effect harmonic detection. Hidden layer neural numbers 90, 60, 30, 20 and 10 to were tested for the purpose. At the first step, we used three layers networks (input layer, hidden layer and output layer) with standart backpropagation and fast backpropagation learning algoritm. The hidden layer neurons and the output layer neurons use nonlinear sigmoid activation functions. In alternative networks, the output layer neurons use linear activation functions for comparison. For the training and test processes, input signals of the neural networks are the amplitudes of one period distorted wave. The amplitudes are taken 128 point at regular interval of time axis. The amplitudes are used as be input signals of the neural networks without any pre-processing.

Keywords

• Feed forward neural network,Fast and Standart backpropagation,Harmonics distortion,Hidden layer neuran numbers,Power quality

YAPAY SiNiR AGLARINDA GiZLi KATMAN NORON SAYILARININ HARMONiK TANIMADA ETKİSİ

Abstract

Bu calışmada, ileri beslemeli yapay sinir aglarında kullanılan gizli katman noron sayilarının harmonik dedeksiyonuna etkisi araştırılmıştır. Bu amac icin gizli katman noron sayilan 90, 60, 30, 20 ve 10 olarak değiştirilmiştir, ilk olarak standart geriye yayilım ve hizlı geriye yayılım ogrenme algoritmasi ile üç katmanlı (giriş, gizli ve cikis) bir ag kullanılmıştır. Bu ağın gizli katmanında ve cıkis katmanında dogrusal olmayan aktivasyon fonksiyonu kullanılmıştır. Karşılaştırma yapabilmek icin agların cıkış noronlarında dogrusal ve sigmoid aktivasyonları kullanılmıştır. Eğitim ve test islemlerinde, sinir aglarının giris sinyalleri, bir periyod'luk bozulmus dalgaların genlikleridir. Genliklerden zaman ekseninde duzenli aralıklarla 128 ornekleme sinyali alınmıştır. Genlikler hicbir on isleme tabi tutulmadan sinir aglarının giris sinyalleri olarak kullanılmıştır.

Keywords

• yapay sinir ağları

References

1. [1] OYSAL, Y., "Ferro modellerne ve optimal bularuk kontrol", Sakarya Universitesi Fen Bil. Enst. Doktora tezi, Martl2002, s. 4.
2. [2] ABULAFYA, N., "Neural networks for system indetification and control", MSc Thesis Universitf of London 1995.
3. [3] ALEXANDER, I., and MORTON, H., "An introduction to neural computing", london 1990.
4. [4] ARBID, K.l., and WITTENMARK, B., "Brains, machines and mathematics ",2nd ed. Springer Verlag 1987.
5. [5] YUMUSAK, N., "Oi.i~sistemi devre elamanlanrun elektriksel ozelliklerinin elde edilmesinde yapay sinir a~ tabanh algoritmalann kullarulmasi", Doktora tezi, Sakarya Universitesi, s. 3., Nisan 1998
6. [6] lang, 1.S. R, Sun, c.T., Mizutani, E., Neuro-Fuzzy and SoftComputing, Prentice Hall, ISBN 0-13-261066-3,607 s, United States of America, 1997
7. [7] IMO Teknik Dergi, 20043267-3282, Yazi 219
8. [8] Kang, H. T., Yoon, c.r., Neural Network Approaches to Aid Simple Truss Design Problems, Microcomputers in Civil Engineering, Vol 9, 211-218, 1994

9. [9] REID, E.W.,"Power Quality Issues - Standarts and Guidelines", IEEE Transactions on industry applications, vol. 32. no. 3, pp. 629, May /June 1996
10. [10] OUNTURKUN, R, "ileri Beslemeli ve Elman Geri Beslemeli Yapay Sinir Aglanru kullanarak Harmonik Kompanzasyonu", Doktora tezi, Sakarya Universitesi, s. 2., Ekim 2003.
11. [11] OUNTURKUN, R, YUMUSAK, N., TEMURTAS, F., "Detection of Harmonics by Using Artificial Neural Networks", TAIN 2003