基于神經(jīng)網(wǎng)絡(luò)的非線性慢時(shí)變系統(tǒng)的數(shù)值預(yù)測(cè)研究.pdf

1、本文以非線性慢時(shí)變系統(tǒng)的數(shù)值預(yù)測(cè)研究為主要內(nèi)容。在實(shí)際的生產(chǎn)和生活中有很多系統(tǒng)都屬于非線性慢時(shí)變系統(tǒng)，這類系統(tǒng)的輸入與輸出之間的對(duì)應(yīng)關(guān)系不滿足線性關(guān)系，并且這種對(duì)應(yīng)關(guān)系會(huì)隨著時(shí)間的推移而發(fā)生變化。本文以神經(jīng)網(wǎng)絡(luò)為工具對(duì)非線性慢時(shí)變系統(tǒng)的數(shù)值預(yù)測(cè)問題展開研究。神經(jīng)網(wǎng)絡(luò)具有復(fù)雜、非線性映射能力，并且可以通過對(duì)訓(xùn)練樣本的學(xué)習(xí)，自適應(yīng)地調(diào)整權(quán)值。本文基于神經(jīng)網(wǎng)絡(luò)模型對(duì)參數(shù)慢時(shí)變的非線性函數(shù)、Mackey-Glass時(shí)間序列以及實(shí)際風(fēng)電場(chǎng)的風(fēng)速這

2、三種非線性慢時(shí)變系統(tǒng)展開了數(shù)值預(yù)測(cè)的研究。主要研究?jī)?nèi)容包括以下幾個(gè)方面:
　　首先，基于BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)慢時(shí)變的非線性函數(shù)、Mackey-Glass時(shí)間序列以及實(shí)際風(fēng)電場(chǎng)的風(fēng)速進(jìn)行了在線預(yù)測(cè)與批量預(yù)測(cè)?；贐P神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)慢時(shí)變的非線性函數(shù)的在線預(yù)測(cè)準(zhǔn)確度較差，對(duì)Mackey-Glass時(shí)間序列以及實(shí)際風(fēng)電場(chǎng)風(fēng)速的在線預(yù)測(cè)可以得到精度合理的結(jié)果。基于BP神經(jīng)網(wǎng)絡(luò)對(duì)參數(shù)慢時(shí)變的非線性函數(shù)、Mackey-Glass時(shí)間序列以及實(shí)際

3、風(fēng)電場(chǎng)風(fēng)速的批量預(yù)測(cè)均具有較好的穩(wěn)定性，算法運(yùn)行時(shí)間較長(zhǎng)。針對(duì)傳統(tǒng)BP算法收斂速度慢的問題，采用了動(dòng)量算法進(jìn)行改進(jìn)。
　　然后，基于級(jí)連相關(guān)網(wǎng)絡(luò)對(duì)參數(shù)慢時(shí)變的非線性函數(shù)、Mackey-Glass時(shí)間序列以及實(shí)際風(fēng)電場(chǎng)的風(fēng)速進(jìn)行了增量預(yù)測(cè)。級(jí)連相關(guān)網(wǎng)絡(luò)解決了傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的步長(zhǎng)問題和變動(dòng)目標(biāo)問題，在很大程度上改進(jìn)了算法的收斂速度。基于級(jí)連相關(guān)網(wǎng)絡(luò)對(duì)參數(shù)慢時(shí)變的非線性函數(shù)、Mackey-Glass時(shí)間序列以及實(shí)際風(fēng)電場(chǎng)的風(fēng)速的增量

4、預(yù)測(cè)均具有較好的穩(wěn)定性，并且算法運(yùn)行時(shí)間較短。
　　在單值預(yù)測(cè)之后，基于RBF神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電場(chǎng)風(fēng)速進(jìn)行了進(jìn)行區(qū)間預(yù)測(cè)。將RBF神經(jīng)網(wǎng)絡(luò)與LUBE方法結(jié)合，在一定的置信水平下根據(jù)輸入數(shù)據(jù)計(jì)算輸出值的上界與下界。由于LUBE方法的結(jié)果依賴于初始值的選擇，本文提出了一種新的區(qū)間預(yù)測(cè)方法:建立基于RBF神經(jīng)網(wǎng)絡(luò)的單值預(yù)測(cè)模型，將單值預(yù)測(cè)模型的輸出值與樣本的實(shí)際輸出值做比較，計(jì)算殘差。對(duì)殘差進(jìn)行聚類與統(tǒng)計(jì)，初步估計(jì)樣本輸出值的上界與下界，作