基于神經(jīng)網(wǎng)絡的非線性慢時變系統(tǒng)的數(shù)值預測研究.pdf

1、本文以非線性慢時變系統(tǒng)的數(shù)值預測研究為主要內容。在實際的生產(chǎn)和生活中有很多系統(tǒng)都屬于非線性慢時變系統(tǒng)，這類系統(tǒng)的輸入與輸出之間的對應關系不滿足線性關系，并且這種對應關系會隨著時間的推移而發(fā)生變化。本文以神經(jīng)網(wǎng)絡為工具對非線性慢時變系統(tǒng)的數(shù)值預測問題展開研究。神經(jīng)網(wǎng)絡具有復雜、非線性映射能力，并且可以通過對訓練樣本的學習，自適應地調整權值。本文基于神經(jīng)網(wǎng)絡模型對參數(shù)慢時變的非線性函數(shù)、Mackey-Glass時間序列以及實際風電場的風速這

2、三種非線性慢時變系統(tǒng)展開了數(shù)值預測的研究。主要研究內容包括以下幾個方面:
　　首先，基于BP神經(jīng)網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)、Mackey-Glass時間序列以及實際風電場的風速進行了在線預測與批量預測。基于BP神經(jīng)網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)的在線預測準確度較差，對Mackey-Glass時間序列以及實際風電場風速的在線預測可以得到精度合理的結果?；贐P神經(jīng)網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)、Mackey-Glass時間序列以及實際

3、風電場風速的批量預測均具有較好的穩(wěn)定性，算法運行時間較長。針對傳統(tǒng)BP算法收斂速度慢的問題，采用了動量算法進行改進。
　　然后，基于級連相關網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)、Mackey-Glass時間序列以及實際風電場的風速進行了增量預測。級連相關網(wǎng)絡解決了傳統(tǒng)的BP神經(jīng)網(wǎng)絡的步長問題和變動目標問題，在很大程度上改進了算法的收斂速度?；诩夁B相關網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)、Mackey-Glass時間序列以及實際風電場的風速的增量

4、預測均具有較好的穩(wěn)定性，并且算法運行時間較短。
　　在單值預測之后，基于RBF神經(jīng)網(wǎng)絡對風電場風速進行了進行區(qū)間預測。將RBF神經(jīng)網(wǎng)絡與LUBE方法結合，在一定的置信水平下根據(jù)輸入數(shù)據(jù)計算輸出值的上界與下界。由于LUBE方法的結果依賴于初始值的選擇，本文提出了一種新的區(qū)間預測方法:建立基于RBF神經(jīng)網(wǎng)絡的單值預測模型，將單值預測模型的輸出值與樣本的實際輸出值做比較，計算殘差。對殘差進行聚類與統(tǒng)計，初步估計樣本輸出值的上界與下界，作