CN105184416A - 基于粒子群优化反向传播神经网络的脉动风速预测方法 - Google Patents
基于粒子群优化反向传播神经网络的脉动风速预测方法 Download PDFInfo
- Publication number
- CN105184416A CN105184416A CN201510612755.1A CN201510612755A CN105184416A CN 105184416 A CN105184416 A CN 105184416A CN 201510612755 A CN201510612755 A CN 201510612755A CN 105184416 A CN105184416 A CN 105184416A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- neural network
- particle
- fluctuating wind
- swarm optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于粒子群优化反向传播神经网络的脉动风速预测方法,其包括四个步骤。为改进传统网络的收敛速度慢、陷入局部最优的缺陷,本发明从学习规则、连接权值出发,使用PSO对反向传播神经网络进行优化,将神经网络的权值和偏置映射为粒子,并选择反向传播预测模型的均方误差作为适应度函数。数值模拟结果显示,通过PSO优化的反向传播经网络预测模型的预测精度可以得到进一步提高,说明将反向传播算法应用于BP神经网络预测模型的优化是可行的,可以作为脉动风速预测的一种有效地方法。
Description
技术领域
本发明涉及一种采用粒子群优化算法优化神经网络学习算法对单点脉动风速进行预测,改进传统神经网络容易陷入局部极值,导致收敛速度慢的缺陷,具体的说是一种基于粒子群优化反向传播(BackPropagation,BP)神经网络的脉动风速预测方法。
背景技术
研究风荷载时,通常把风处理为在一定时距内不随时间变化的平均风速和随时间随机变化的脉动风速两部分,平均风速产生结构静态响应,而脉动风速产生动态响应。风作用在高层结构时,其正负风压对结构形成风荷载,同时钝体绕流还会引起结构抖振、旋涡脱落引起的横向振动和扭转振动。极端风荷载作用下产生的抖振和颤振会引起建筑物倒塌或严重破坏;动态位移超限易引起墙体开裂和附属构件破坏;大幅振动会造成居住和生活的不舒适;脉动风频繁作用也会使外墙面构件和附属物产生疲劳破坏。掌握完整的脉动风速时程资料对于结构设计、安全具有重要意义。
基于知识发现的风速智能模型预测方法不局限于用数学方程式描述预测自变量与预测因子之间的关系,而是根据预测方法本身的结构机制获取预测的“知识”和“经验”。这类方法具有自适应能力,可以较好的处理非线性、非确定性时间序列的预测问题。目前脉动风速建模预测的方法主要有时间序列分析法、神经网络、支持向量机等方法。然而这些方法都存在着理论或应用上的不足,如时问序列模型高阶模型参数估计难度大、低阶模型预测精度低;支持向量机(SVM)虽然通过核函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系,解决了“维数灾难”问题,但核函数的选择和参数优化决定了模型的特性;神经网络预测模型采用的是黑箱型的学习模式,能够识别复杂性、非线性的特性。该预测模型是利用大量的历史数据来训练神经网络,学习完成后得到输入与输出的一种映射关系。如果给定相应的输入,通过这种映射关系就可以获得到对应的输出即预测结果。神经网络预测模型也存在着不足,比如结构的设定较难,网络初始的权值和偏置是随机选取的,倘若这些参数的位置选择不当,则会导致网络的收敛速度慢、陷入局部最优。
随着智能优化算法的发展,神经网络的预测性能得到大大的提高。粒子群(PSO-BP)是一种并行随机搜索最优化方法,具有全局搜索能力,采用粒子群优化算法来确定神经网络初始权值和阈值,有利于神经网络网络很快收敛到全局最优解。
发明内容
本发明的目的在于提供一种基于粒子群优化反向传播神经网络的脉动风速预测方法,解决传统的传统神经网络容易陷入局部极值,导致收敛速度慢的问题。本发明利用自回归滑动平均(Auto-RegressiveandMovingAverage,ARMA)方法数值有限脉动风速作为样本数据,再建立粒子群优化算法反向传播(ParticleSwarmOptimization-BackPropagation,PSO-BP)神经网络预测模型,利用该模型预测所需后续时间的脉动风速,计算实际风速与预测风速的平均绝对误差(MAE)、均方根误差(RMSE)以及相关系数(R)来评价本方法的精度。
根据上述发明构思,本发明采用下述技术方案:本发明粒子群优化神经网络的脉动风速预测方法包括以下步骤:
第一步:利用自回归滑动平均模型模拟生成垂直空间点脉动风速样本,将每一个空间点的脉动风速样本分为训练集、测试集两部分,对其分别进行归一化处理;对数据归一化处理后,目的是为了取消各维数据之间的数量级差别,从而避免因为输入输出数据的数量级差别大而造成网络预测误差大的情况,取嵌入维数k=10对进行样本数据进行相空间重构;确定单点脉动风速样本的自回归滑动平均模型各参数,自回归滑动平均模型的自回归阶数p=4,滑动回归阶数q=1;
第二步:取采样时间1000s的20m、50m脉动风速样本,嵌入维数k=10,对样本数据进行相空间重构;给定训练样本N={(xi,ti)|xi∈Rn,ti∈Rn,i=1,…,N}、激励函数g(x),设定神经网络模型输入节点m=10、隐层节点p=10、输出节点q=1、网络训练次数epochs=100、误差精度goal=0.0001及学习率lr=0.1;将1-790s脉动风速作为训练集,791-990s脉动风速作为测试集,归一化处理;
第三步:设置粒子群优化算法粒子种群规模M,迭代次数K,学习因子C1、C2,随机产生粒子初始位置和初始速度,采用粒子群优化算法将神经网络的权值与偏置映射为粒子群优化算法中的粒子,以均方根误差作为适应度函数,通过粒子的速度与位置不断更新来优化这些参数,从而实现网络训练;
第四步:将测试样本与利用粒子群优化算法神经网络模型和反向传播神经网络预测的脉动风速结果对比;同时计算预测风速与实际风速的平均绝对误差、均方根误差以及相关系数,评价本发明的有效性,同时利用未优化的神经网络对同样脉动风速进行预测,分析比较两种方法的性能。
优选地,上述第一步中,自回归滑动平均模型模拟m维脉动风速表示为下式:
式中,U(t)为脉动风速;Ai,Bj分别是m×m阶自回归模型和滑动平均模型的系数矩阵;X(t)为m×1阶正态分布白噪声序列;P为自回归阶数、q为滑动回归阶数,t为时间。
优选地,所述第二步中,设定反向传播神经网络输入节点为m=10,隐层节点为p=10,输出节点为q=1,则反向传播神经网络完成映射f:Rm→R1,隐层各节点的输入Sj为:
反向传播神经网络激励函数为g(x),则隐层节点的输出bj为:
同理,输出层节点的输入L、输出y分别为:
反向传播神经网络的连接权重ωij、vj和偏置θj、γ可以通过反向传播神经网络训练求得,故y即为反向传播神经网络的预测模型。
优选地,所述第三步中,设置神经网络输入节点为m=10,隐层节点为p=10,输出节点为q=1,激励函数g(x)为“Sigmoid”;设定粒子群优化算法的粒子种群规模M=30,迭代次数K=100,学习因子C1=C2=2,将神经网络的权值与偏置映射为粒子群优化算法中的粒子并且初始化,计算各粒子的适应度函数值,根据适应度比较不断更新粒子的速度和位置,判断在给定的最大次数或最小误差要求的条件下,停止迭代,输出权值和偏置,利用输出的权值和偏置对神经网络进行训练对测试集进行预测。
优选地,所述第四步中,将粒子群优化算法神经网络模型预测结果与实际风速进行对比,包括风速幅值、自相关函数,计算预测结果的误差指标,包括平均绝对误差、均方根误差以及相关系数,评价预测方法的精度,同时利用未优化的神经网络对同样脉动风速进行预测,分析比较两种方法的性能。
本发明粒子群优化神经网络的脉动风速预测方法具有如下优点:本发明从学习规则、连接权值出发,使用粒子群优化算法对神经网络神经进行优化,将神经网络的权值和偏置映射为粒子,并选择神经网络预测模型的均方误差作为适应度函数。数值模拟结果显示,通过粒子群优化算法优化的神经网络预测模型的预测精度可以得到进一步提高,说明将粒子群优化算法应用于神经网络预测模型的优化是可行的,可以作为脉动风速预测的一种有效地方法。
附图说明
图1是沿地面垂直方向20米处脉动风速模拟样本示意图;
图2是沿地面垂直方向50米处脉动风速模拟样本示意图;
图3为PSO-BP神经网络的预测算法的流程图;
图4是20米PSO-BP、BP预测风速与模拟风速对比示意图;
图5是20米PSO-BP、BP预测风速与模拟风速自相关函数对比示意图;
图6是50米PSO-BP、BP预测风速与模拟风速对比示意图;
图7是50米PSO-BP、BP预测风速与模拟风速自相关函数对比示意图。
具体实施方式
本发明的构思如下:通过ARMA数值模拟出脉动风速作为有限样本,建立BP神经网络预测模型,同时将权值和偏置作为PSO算法的粒子进行优化,最终建立基于粒子群优化的BP神经网络的脉动风速预测模型。
以下结合附图采用本发明对单点脉动风速预测作进一步详细说明,步骤如下:
第一步,利用自回归滑动平均模型模拟生成垂直空间点脉动风速样本,将每一个空间点的脉动风速样本分为训练集、测试集两部分,对其分别进行归一化处理;对数据归一化处理后,目的是为了取消各维数据之间的数量级差别,从而避免因为输入输出数据的数量级差别大而造成网络预测误差大的情况,取嵌入维数k=10对进行样本数据进行相空间重构;确定单点脉动风速样本的自回归滑动平均模型各参数,自回归滑动平均模型的自回归阶数p=4,滑动回归阶数q=1。模拟某100米的超高层建筑,沿高度方向取每隔10米的点作为各模拟风速点。其他相关参数见表1:
表1相关模拟参数表
模拟功率谱采用Kaimal谱,只考虑高度方向的空间相关性。模拟生成20、50米脉动风速样本分别见图1、图2。
第一步中,自回归滑动平均模型模拟m维脉动风速表示为下式(1):
式中,U(t)为脉动风速;Ai,Bj分别是m×m阶自回归模型和滑动平均模型的系数矩阵;X(t)为m×1阶正态分布白噪声序列;P为自回归阶数、q为滑动回归阶数,t为时间。
将得到的脉动风速按式(2)进行归一化处理:
式中,为归一化后脉动风速,yi为实际脉动风速样本,ymax为实际脉动风速最大值,ymin实际脉动风速最小值。
第二步,取采样时间1000s的20m、50m脉动风速样本,嵌入维数k=10,对样本数据进行相空间重构。给定训练样本N={(xi,ti)|xi∈Rn,ti∈Rn,i=1,…,N}、激励函数g(x),设定神经网络模型输入节点m=10、隐层节点p=10、输出节点q=1、网络训练次数epochs=100、误差精度goal=0.0001及学习率lr=0.1;将1-790s脉动风速作为训练集,791-990s脉动风速作为测试集,归一化处理。
第二步中,反向传播神经网络学习数学模型建立:
设定神经网络输入节点为m,隐层节点为p,输出节点为1,则神经网络完成映射f:Rm→R1,其隐层各节点的输入Sj为式(3):
式中,ωij为输入层至隐含层的连接权值,θj为隐含层节点偏置。
神经网络激励函数为g(x),则隐层节点的输出bj为式(4):
同理,输出层节点的输入L、输出y分别为式(5)和式(6):
式中,vj为隐含层至输出层的连接权值,γ为输出层偏置。
反向传播神经网络的连接权重ωij、vj和偏置θj、γ可以通过神经网络训练求得,故式(6)即为神经网络的预测模型。
网络输出与期望输出h误差为式(7):
e=h-y………………(7)
式中e为自然数。
误差性能采用均方误差,其指标函数为式(8):
式中,E为指标函数,在误差反向传播时,采用梯度下降的学习方法调整各网络层之间的连接权值。
第三步,设置粒子群优化算法粒子种群规模M,迭代次数K,学习因子C1、C2,随机产生粒子初始位置和初始速度,采用粒子群优化算法将神经网络的权值与偏置映射为粒子群优化算法中的粒子,以均方根误差作为适应度函数,通过粒子的速度与位置不断更新来优化这些参数,从而实现网络训练;根据反向传播神经网络算法原理,预测流程图见图3。
第三步中,设置激励函数g(x)为“Sigmoid”,设置神经网络输入节点为m=10,隐层节点为p=10,输出节点为q=1;设定粒子群优化算法的粒子种群规模M=30,迭代次数K=100,学习因子C1=C2=2,建立反向传播神经网络的预测模型。将神经网络的权值与偏置映射为粒子群优化算法中的粒子并且初始化,计算各粒子的适应度函数值,根据适应度比较不断更新粒子的速度和位置,判断在给定的最大次数或最小误差要求的条件下,停止迭代,输出权值和偏置,利用输出的权值和偏置对神经网络进行训练对测试集进行预测。
第四步:将测试样本与利用粒子群优化算法反向传播(PSO-BP)和反向传播神经网络预测的脉动风速结果对比,图4、图5为PSO-BP对20米高度处脉动风速与模拟风速幅值比较、自相关函数比较;图6、图7为PSO-BP对50米高度处脉动风速与模拟风速幅值比较、自相关函数比较;根据图4、图6显示PSO-BP预测风速与模拟风速吻合较好,而BP预测结果与模拟风速存在很大偏差;根据图5、图7显示PSO-BP预测风速与模拟风速的相关性吻合很好。同时计算预测风速与实际风速的平均绝对误差(MAE)、均方根误差(RMSE)以及相关系数(R),评价本发明的有效性,同时利用未优化的神经网络对同样脉动风速进行预测,分析比较两种方法的性能。
第四步中,将粒子群优化算法反向传播(PSO-BP)预测结果与实际风速进行对比,包括风速幅值、自相关函数,计算预测结果的误差指标,包括平均绝对误差(MAE)、均方根误差(RMSE)以及相关系数(R),评价预测方法的精度,同时利用未优化的反向传播神经网络对同样脉动风速进行预测,分析比较两种方法的性能。
上面的步骤是基于矩阵实验室(Matlab)平台编制的基于粒子群优化反向传播神经网络的脉动风速预测方法的计算程序进行分析和验证的,预测结果见表2。
表2训练、预测指标表
分析预测结果显示,粒子群优化算法反向传播(PSO-BP)神经网络模型具有较高的预测精度,预测精度相对于传统神经网络模型具有较大提高。以20米风速预测结果为例,预测误差MAE由1.451下降到1.320,RMSE由1.934下降为1.529,相关系数R由0.868上升为0.917;同时50米预测风速粒子群优化算法反向传播(PSO-BP)的预测误差MAE、RMSE相较于神经网络都有所下降,相关系数R有所上升,并且粒子群优化算法反向传播(PSO-BP)其相关系数R均在0.9以上,一般认为相关系数在0.9以上,认为具有很强的相关性。本发明将粒子群优化算法和神经网络算法进行有机结合,利用粒子群优化算法良好的全局搜索能力,对神经网络网络权值和偏置进行优化,减少了神经网络算法陷人局部最优解的风险,提高神经网络的训练效率,加快网络的收敛速度。
以上所述的具体实施例,对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于粒子群优化反向传播神经网络的脉动风速预测方法,其特征在于,其包括以下步骤:
第一步:利用自回归滑动平均模型模拟生成垂直空间点脉动风速样本,将每一个空间点的脉动风速样本分为训练集、测试集两部分,对其分别进行归一化处理;对数据归一化处理后,目的是为了取消各维数据之间的数量级差别,从而避免因为输入输出数据的数量级差别大而造成网络预测误差大的情况,取嵌入维数k=10对进行样本数据进行相空间重构;确定单点脉动风速样本的自回归滑动平均模型各参数,自回归滑动平均模型的自回归阶数p=4,滑动回归阶数q=1;
第二步:取采样时间1000s的20m、50m脉动风速样本,嵌入维数k=10,对样本数据进行相空间重构;给定训练样本N={(xi,ti)|xi∈Rn,ti∈Rn,i=1,…,N}、激励函数g(x),设定神经网络模型输入节点m=10、隐层节点p=10、输出节点q=1、网络训练次数epochs=100、误差精度goal=0.0001及学习率lr=0.1;将1-790s脉动风速作为训练集,791-990s脉动风速作为测试集,归一化处理;
第三步:设置粒子群优化算法粒子种群规模M,迭代次数K,学习因子C1、C2,随机产生粒子初始位置和初始速度,采用粒子群优化算法将神经网络的权值与偏置映射为粒子群优化算法中的粒子,以均方根误差作为适应度函数,通过粒子的速度与位置不断更新来优化这些参数,从而实现网络训练;
第四步:将测试样本与利用粒子群优化算法神经网络模型和反向传播神经网络预测的脉动风速结果对比;同时计算预测风速与实际风速的平均绝对误差、均方根误差以及相关系数,评价本发明的有效性,同时利用未优化的神经网络对同样脉动风速进行预测,分析比较两种方法的性能。
2.根据权利要求1所述的基于粒子群优化反向传播神经网络的脉动风速预测方法,其特征在于,所述第一步中,自回归滑动平均模型模拟m维脉动风速表示为下式:
式中,U(t)为脉动风速;Ai,Bj分别是m×m阶AR和MA模型的系数矩阵;X(t)为m×1阶正态分布白噪声序列;p为自回归阶数,q为滑动回归阶数,t为时间。
3.根据权利要求1所述的基于粒子群优化反向传播神经网络的脉动风速预测方法,其特征在于,所述第二步中,设定反向传播神经网络输入节点为m=10,隐层节点为p=10,输出节点为q=1,则反向传播神经网络完成映射f:Rm→R1,隐层各节点的输入Sj为:
反向传播神经网络激励函数为g(x),则隐层节点的输出bj为:
同理,输出层节点的输入L、输出y分别为:
反向传播神经网络的连接权重ωij、vj和偏置θj、γ可以通过反向传播神经网络训练求得,故y即为反向传播神经网络的预测模型。
4.根据权利要求1所述的基于粒子群优化反向传播神经网络的脉动风速预测方法,其特征在于,所述第三步中,设置神经网络输入节点为m=10,隐层节点为p=10,输出节点为q=1,激励函数g(x)为“Sigmoid”;设定粒子群优化算法的粒子种群规模M=30,迭代次数K=100,学习因子C1=C2=2,将神经网络的权值与偏置映射为粒子群优化算法中的粒子并且初始化,计算各粒子的适应度函数值,根据适应度比较不断更新粒子的速度和位置,判断在给定的最大次数或最小误差要求的条件下,停止迭代,输出权值和偏置,利用输出的权值和偏置对神经网络进行训练对测试集进行预测。
5.根据权利要求1所述的基于粒子群优化反向传播神经网络的脉动风速预测方法,其特征在于,所述第四步中,将粒子群优化算法神经网络模型预测结果与实际风速进行对比,包括风速幅值、自相关函数,计算预测结果的误差指标,包括平均绝对误差、均方根误差以及相关系数,评价预测方法的精度,同时利用未优化的神经网络对同样脉动风速进行预测,分析比较两种方法的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510612755.1A CN105184416A (zh) | 2015-09-23 | 2015-09-23 | 基于粒子群优化反向传播神经网络的脉动风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510612755.1A CN105184416A (zh) | 2015-09-23 | 2015-09-23 | 基于粒子群优化反向传播神经网络的脉动风速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184416A true CN105184416A (zh) | 2015-12-23 |
Family
ID=54906479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510612755.1A Pending CN105184416A (zh) | 2015-09-23 | 2015-09-23 | 基于粒子群优化反向传播神经网络的脉动风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184416A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065576A (zh) * | 2017-06-14 | 2017-08-18 | 重庆科技学院 | 基于pso‑dmpc的反应再生系统优化控制方法 |
CN107437111A (zh) * | 2017-07-31 | 2017-12-05 | 杭州朗和科技有限公司 | 基于神经网络的数据处理方法、介质、装置和计算设备 |
CN107578100A (zh) * | 2017-08-31 | 2018-01-12 | 江苏康缘药业股份有限公司 | 一种基于过程参数的结果反馈方法及装置 |
CN108846423A (zh) * | 2018-05-29 | 2018-11-20 | 中国农业大学 | 水质预测方法和系统 |
CN109272174A (zh) * | 2018-11-14 | 2019-01-25 | 上海交通大学 | 基于循环神经网络的燃气轮机排气系统工况预测方法 |
CN109726802A (zh) * | 2018-12-29 | 2019-05-07 | 中南大学 | 一种铁路和风电场环境风速机器学习预测方法 |
CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
CN110610061A (zh) * | 2019-09-30 | 2019-12-24 | 湖南大学 | 一种融合多源信息的混凝土塌落度高精度预测方法 |
CN111931983A (zh) * | 2020-07-07 | 2020-11-13 | 湖南大学 | 一种降水量预测方法及系统 |
CN112286047A (zh) * | 2020-09-28 | 2021-01-29 | 南京航空航天大学 | 基于神经网络的narma-l2多变量控制方法 |
CN112580771A (zh) * | 2020-12-25 | 2021-03-30 | 核工业北京地质研究院 | 一种利用发射率数据获取黑土土壤全磷含量的反演方法 |
CN112749792A (zh) * | 2021-02-02 | 2021-05-04 | 南京信息工程大学 | 一种基于bp算法的风速预测方法 |
CN113468790A (zh) * | 2021-07-12 | 2021-10-01 | 湖北工业大学 | 一种基于改进粒子群算法的风速特征模拟方法及系统 |
CN114544469A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市帝迈生物技术有限公司 | 粒子分类方法及血细胞分析仪 |
CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130068560A (ko) * | 2011-12-15 | 2013-06-26 | 주식회사 웰케이원 | 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 |
CN104376214A (zh) * | 2014-11-18 | 2015-02-25 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN104899431A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 |
CN104899432A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于核函数组合的pso-lssvm脉动风速预测方法 |
-
2015
- 2015-09-23 CN CN201510612755.1A patent/CN105184416A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130068560A (ko) * | 2011-12-15 | 2013-06-26 | 주식회사 웰케이원 | 신경회로망을 이용한 계통연계형 풍력발전시스템 및 그 시스템의 센서리스 최대 전력점 추종 제어방법 |
CN104376214A (zh) * | 2014-11-18 | 2015-02-25 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN104899431A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 |
CN104899432A (zh) * | 2015-05-19 | 2015-09-09 | 上海大学 | 基于核函数组合的pso-lssvm脉动风速预测方法 |
Non-Patent Citations (4)
Title |
---|
CHAO REN, NING AN, JIAN ZHOU ETC.: "Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting", 《INTELLIGENT CONTROL AND AUTOMATION (WCICA)》 * |
张正禄等: "《工程变形监测分析和预报》", 30 November 2007 * |
李春祥等: "基于ARMA模型模拟高架桥的脉动风速时程", 《振动与冲击》 * |
陈南祥等: "《水资源系统动力学特征及合理配置的理论与实践》", 30 June 2007 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107065576A (zh) * | 2017-06-14 | 2017-08-18 | 重庆科技学院 | 基于pso‑dmpc的反应再生系统优化控制方法 |
CN107065576B (zh) * | 2017-06-14 | 2019-10-29 | 重庆科技学院 | 基于pso-dmpc的反应再生系统优化控制方法 |
CN107437111A (zh) * | 2017-07-31 | 2017-12-05 | 杭州朗和科技有限公司 | 基于神经网络的数据处理方法、介质、装置和计算设备 |
CN107437111B (zh) * | 2017-07-31 | 2020-07-14 | 杭州朗和科技有限公司 | 基于神经网络的数据处理方法、介质、装置和计算设备 |
CN107578100B (zh) * | 2017-08-31 | 2019-08-16 | 江苏康缘药业股份有限公司 | 一种基于过程参数的结果反馈方法及装置 |
CN107578100A (zh) * | 2017-08-31 | 2018-01-12 | 江苏康缘药业股份有限公司 | 一种基于过程参数的结果反馈方法及装置 |
CN108846423A (zh) * | 2018-05-29 | 2018-11-20 | 中国农业大学 | 水质预测方法和系统 |
CN109272174A (zh) * | 2018-11-14 | 2019-01-25 | 上海交通大学 | 基于循环神经网络的燃气轮机排气系统工况预测方法 |
CN109726802A (zh) * | 2018-12-29 | 2019-05-07 | 中南大学 | 一种铁路和风电场环境风速机器学习预测方法 |
CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
CN110610061A (zh) * | 2019-09-30 | 2019-12-24 | 湖南大学 | 一种融合多源信息的混凝土塌落度高精度预测方法 |
CN110610061B (zh) * | 2019-09-30 | 2022-11-08 | 湖南大学 | 一种融合多源信息的混凝土塌落度高精度预测方法 |
CN111931983A (zh) * | 2020-07-07 | 2020-11-13 | 湖南大学 | 一种降水量预测方法及系统 |
CN111931983B (zh) * | 2020-07-07 | 2023-09-19 | 湖南大学 | 一种降水量预测方法及系统 |
CN112286047A (zh) * | 2020-09-28 | 2021-01-29 | 南京航空航天大学 | 基于神经网络的narma-l2多变量控制方法 |
WO2022037157A1 (zh) * | 2020-09-28 | 2022-02-24 | 南京航空航天大学 | 基于神经网络的narma-l2多变量控制方法 |
CN112286047B (zh) * | 2020-09-28 | 2022-04-08 | 南京航空航天大学 | 基于神经网络的narma-l2多变量控制方法 |
CN112580771A (zh) * | 2020-12-25 | 2021-03-30 | 核工业北京地质研究院 | 一种利用发射率数据获取黑土土壤全磷含量的反演方法 |
CN112749792A (zh) * | 2021-02-02 | 2021-05-04 | 南京信息工程大学 | 一种基于bp算法的风速预测方法 |
CN112749792B (zh) * | 2021-02-02 | 2023-07-07 | 南京信息工程大学 | 一种基于bp算法的风速预测方法 |
CN113468790A (zh) * | 2021-07-12 | 2021-10-01 | 湖北工业大学 | 一种基于改进粒子群算法的风速特征模拟方法及系统 |
CN114742265A (zh) * | 2022-03-09 | 2022-07-12 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
CN114742265B (zh) * | 2022-03-09 | 2023-07-18 | 大连海事大学 | 一种vhf信号传播路径误差预测方法及系统 |
CN114544469A (zh) * | 2022-04-25 | 2022-05-27 | 深圳市帝迈生物技术有限公司 | 粒子分类方法及血细胞分析仪 |
CN114544469B (zh) * | 2022-04-25 | 2022-10-21 | 深圳市帝迈生物技术有限公司 | 粒子分类方法及血细胞分析仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184416A (zh) | 基于粒子群优化反向传播神经网络的脉动风速预测方法 | |
Yang et al. | A novel competitive swarm optimized RBF neural network model for short-term solar power generation forecasting | |
Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
Tian et al. | Data driven parallel prediction of building energy consumption using generative adversarial nets | |
Liu et al. | A novel hybrid methodology for short-term wind power forecasting based on adaptive neuro-fuzzy inference system | |
Duan et al. | Forecasting crude oil consumption in China using a grey prediction model with an optimal fractional-order accumulating operator | |
Pousinho et al. | A hybrid PSO–ANFIS approach for short-term wind power prediction in Portugal | |
Wang et al. | Probabilistic wind power forecasting based on spiking neural network | |
CN102270309B (zh) | 一种基于集成学习的短期电力负荷预测方法 | |
CN105243259A (zh) | 基于极限学习机的脉动风速快速预测方法 | |
CN104992008A (zh) | 基于Hilbert空间多核函数相乘的风速预测方法 | |
CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
CN104899431A (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN104899432A (zh) | 基于核函数组合的pso-lssvm脉动风速预测方法 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN106910337A (zh) | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 | |
Niu et al. | Model turbine heat rate by fast learning network with tuning based on ameliorated krill herd algorithm | |
CN106022521A (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
Zhang et al. | A novel ensemble system for short-term wind speed forecasting based on Two-stage Attention-Based Recurrent Neural Network | |
CN102510059A (zh) | 基于bp神经网络的超短期风电功率预测方法 | |
CN106127330A (zh) | 基于最小二乘支持向量机的脉动风速预测方法 | |
CN105678397A (zh) | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |