式中i=l，2，…，P，f为S型函数。
2.算出LC层的单元输出值：          (3.5)                                                     
式中j=1，2，…，q。
3. 算出输出LC层的单元一般化的误差：
                                         (3.6)                                                   
式中j=1，2，…，q，k=l，…m，m为总体样本数； 为LC层单元j的期望输出，为教师信号。
4. 算出输出LB的层单元一般化的误差：
                                           (3.7)                                                     
式中i=1，2，…，p；上式就是将LC层的单元误差反向又传到了LB层。
5. 调整LC层单元到LB层的单元连接权重以及阈值：
                                         (3.8)                                                   
式中i=1，2，…，P，j=1，2，…，q， 是学习率( )。
6. 整LB层单元到LA层的单元连接权重和阈值：
                                         (3.9)                                                   
式中h=l，2，…，n，j=1，2，…，q。
重复以上步骤，以至于总体的误差平方和 能够达到足够小为止。
3.3  MIV的原理介绍
本文提出一种基于平均影响值（MIV）的神经网络谐波源的识别方法，利用平均影响值来得到在电力系统中对电能质量影响较大的谐波源，MIV被认为是在神经网络中评价变量相关性最好的指标之一，也为解决此类问题开创了新思路。因此基于平均影响值的神经网络谐波源的辨识方法具有很高的实际意义。
Dombi和Nandi等人提出了使用MIV (Mean Impact Value)来体现神经网络中权重矩阵的变化情况，它是用来确定神经网络中输入神经元对于输出神经元影响程度的一个重要标准，其符号代表相关方向，绝对值大小代表了影响程度的相对重要性。具体的计算过程如下：在神经网络训练结束后，将训练样本X中每一个自变量特征在原始值的基础上分别加减20%从而构成新的两个训练样本X1和X2，将X1和X2分别作为仿真样本利用已经建好的神经网络进行仿真，得到了两个仿真结果Y1和Y2，求出Y1和Y2的差值，即为变动的自变量对于输出所产生的影响变化值（IV, Impact Value），最后将影响变化值按照观测数平均得到该自变量对于应变量在神经网络中的MIV。按照以上步骤一次算出每个自变量的MIV值，最后根据MIV的绝对值大小得到各个自变量对神经网络相对重要程度的位次表，从而判断出输入网络特征对于网络结果的影响程度大小，即可实现神经网络谐波源辨识。MIV算法流程图如图3.10所示。 供电系统误动作机理分析+ETAP仿真(8):http://www.youerw.com/tongxin/lunwen_1565.html