基于RBF—BP組合神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)研究
格式:pdf
大?。?span id="u9cfwck" class="single-tag-height" data-v-09d85783>362KB
頁(yè)數(shù):6P
人氣 :73
4.7
為提高風(fēng)電輸出功率預(yù)測(cè)精度,提出一種基于RBF—BP組合神經(jīng)網(wǎng)絡(luò)模型的短期風(fēng)電功率預(yù)測(cè)方法。在考慮尾流等因素影響的基礎(chǔ)上,對(duì)風(fēng)速進(jìn)行預(yù)處理。根據(jù)相關(guān)歷史數(shù)據(jù),建立RBF—BP組合神經(jīng)網(wǎng)絡(luò)短期風(fēng)電功率預(yù)測(cè)模型,對(duì)風(fēng)電輸出功率進(jìn)行預(yù)測(cè)。仿真分析結(jié)果表明,該預(yù)測(cè)方法能有效提高風(fēng)電輸出功率預(yù)測(cè)精度。
基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)仿真分析
格式:pdf
大?。?span id="n9r0eab" class="single-tag-height" data-v-09d85783>804KB
頁(yè)數(shù):5P
介紹了風(fēng)電功率預(yù)測(cè)的背景,對(duì)風(fēng)電功率預(yù)測(cè)進(jìn)行了理論分析,分析了bp神經(jīng)網(wǎng)絡(luò)的原理及基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)流程和預(yù)測(cè)結(jié)果誤差的評(píng)價(jià)指標(biāo)。以matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱為仿真平臺(tái),搭建bp神經(jīng)網(wǎng)絡(luò),進(jìn)行了功率預(yù)測(cè)仿真,預(yù)測(cè)結(jié)果均方根誤差分別為6.97%、200.59%。兩組仿真對(duì)比結(jié)果表明,基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)在短期預(yù)測(cè)中是可行的.
基于RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)功率預(yù)測(cè)研究
格式:pdf
大?。?span id="m9vrxqw" class="single-tag-height" data-v-09d85783>1.2MB
頁(yè)數(shù):2P
風(fēng)能作為一種清潔環(huán)保的新能源,有著無(wú)污染、低成本、可再生等眾多優(yōu)點(diǎn)。目前我國(guó)擁有豐富的風(fēng)能,有著巨大的發(fā)展前景,目前風(fēng)力發(fā)電已有一定規(guī)模。但是,由于風(fēng)電的隨機(jī)性和間歇性的特點(diǎn),輸出功率很不穩(wěn)定,易對(duì)電網(wǎng)造成沖擊,影響電力系統(tǒng)的正常運(yùn)行。通過(guò)準(zhǔn)確地預(yù)測(cè)風(fēng)電功率,提前采取相應(yīng)措施,是減少對(duì)電網(wǎng)沖擊的有效措施。本文研究風(fēng)電的短期功率預(yù)測(cè),在確定影響變量的基礎(chǔ)上,利用神經(jīng)網(wǎng)絡(luò)中的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電功率預(yù)測(cè)。通過(guò)預(yù)測(cè)結(jié)果與實(shí)際功率的比較,得到誤差小較理想的預(yù)測(cè)結(jié)果,預(yù)測(cè)結(jié)果較好。
基于RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)功率預(yù)測(cè)研究
格式:pdf
大?。?span id="lskjnnr" class="single-tag-height" data-v-09d85783>1.2MB
頁(yè)數(shù):2P
4.5
風(fēng)能作為一種清潔環(huán)保的新能源,有著無(wú)污染、低成本、可再生等眾多優(yōu)點(diǎn)。目前我國(guó)擁有豐富的風(fēng)能,有著巨大的發(fā)展前景,目前風(fēng)力發(fā)電已有一定規(guī)模。但是,由于風(fēng)電的隨機(jī)性和間歇性的特點(diǎn),輸出功率很不穩(wěn)定,易對(duì)電網(wǎng)造成沖擊,影響電力系統(tǒng)的正常運(yùn)行。通過(guò)準(zhǔn)確地預(yù)測(cè)風(fēng)電功率,提前采取相應(yīng)措施,是減少對(duì)電網(wǎng)沖擊的有效措施。本文研究風(fēng)電的短期功率預(yù)測(cè),在確定影響變量的基礎(chǔ)上,利用神經(jīng)網(wǎng)絡(luò)中的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電功率預(yù)測(cè)。通過(guò)預(yù)測(cè)結(jié)果與實(shí)際功率的比較,得到誤差小較理想的預(yù)測(cè)結(jié)果,預(yù)測(cè)結(jié)果較好。
基于RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)功率預(yù)測(cè)研究
格式:pdf
大小:431KB
頁(yè)數(shù):2P
4.7
風(fēng)能作為一種清潔環(huán)保的新能源,有著無(wú)污染、低成本、可再生等眾多優(yōu)點(diǎn)。目前我國(guó)擁有豐富的風(fēng)能,有著巨大的發(fā)展前景,目前風(fēng)力發(fā)電已有一定規(guī)模。但是,由于風(fēng)電的隨機(jī)性和間歇性的特點(diǎn),輸出功率很不穩(wěn)定,易對(duì)電網(wǎng)造成沖擊,影響電力系統(tǒng)的正常運(yùn)行。通過(guò)準(zhǔn)確地預(yù)測(cè)風(fēng)電功率,提前采取相應(yīng)措施,是減少對(duì)電網(wǎng)沖擊的有效措施。本文研究風(fēng)電的短期功率預(yù)測(cè),在確定影響變量的基礎(chǔ)上,利用神經(jīng)網(wǎng)絡(luò)中的rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電功率預(yù)測(cè)。通過(guò)預(yù)測(cè)結(jié)果與實(shí)際功率的比較,得到誤差小較理想的預(yù)測(cè)結(jié)果,預(yù)測(cè)結(jié)果較好。
基于蜂群算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)
格式:pdf
大小:2.1MB
頁(yè)數(shù):7P
4.3
由于風(fēng)能具有隨機(jī)性和間歇性的特點(diǎn),造成了其功率輸出的不穩(wěn)定,而大規(guī)模的風(fēng)電接入給電力系統(tǒng)的正常穩(wěn)定運(yùn)行和調(diào)度帶來(lái)影響。詳細(xì)分析影響風(fēng)電場(chǎng)輸出的因素,確定風(fēng)速、風(fēng)向正弦和余弦為影響風(fēng)電輸出最主要的關(guān)聯(lián)因素,采用統(tǒng)計(jì)預(yù)測(cè)方法將歷史實(shí)際輸出功率、風(fēng)速、風(fēng)向正弦和余弦作為bp神經(jīng)網(wǎng)絡(luò)的輸入矢量,并采用人工蜂群算法優(yōu)化得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,構(gòu)建abc-bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型。通過(guò)對(duì)某實(shí)測(cè)風(fēng)電功率進(jìn)行預(yù)測(cè)驗(yàn)證,結(jié)果表明:基于蜂群算法改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè),可以克服bp神經(jīng)網(wǎng)絡(luò)易于陷入局部極小的缺陷和不足,極大地提高了全局搜索能力以及預(yù)測(cè)的穩(wěn)定性和精度;同時(shí),將自適應(yīng)的選擇策略引入到蜂群算法優(yōu)化適應(yīng)度的選擇中,減少了網(wǎng)絡(luò)層參數(shù)的訓(xùn)練時(shí)間,提高了收斂速度。
基于BP、RBF神經(jīng)網(wǎng)絡(luò)混凝土抗壓強(qiáng)度預(yù)測(cè)
格式:pdf
大?。?span id="meu6mqp" class="single-tag-height" data-v-09d85783>665KB
頁(yè)數(shù):4P
4.4
為了預(yù)測(cè)混凝土的抗壓強(qiáng)度,在分析bp、rbf神經(jīng)網(wǎng)絡(luò)原理的基礎(chǔ)上,提出用bp、rbf神經(jīng)網(wǎng)絡(luò)模擬混凝土抗壓強(qiáng)度與攪拌機(jī)各主要影響參數(shù)間關(guān)系的方法。根據(jù)攪拌機(jī)的實(shí)際工作狀況,分別建立了4維輸入向量、1維輸出向量的bp、rbf神經(jīng)網(wǎng)絡(luò)模型,通過(guò)19組試驗(yàn),驗(yàn)證了2種模型的可靠性。結(jié)果表明,實(shí)測(cè)結(jié)果與預(yù)測(cè)結(jié)果相接近,該2種神經(jīng)網(wǎng)絡(luò)模型能較準(zhǔn)確地快速預(yù)測(cè)混凝土抗壓強(qiáng)度。
基于RBF神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)研究綜述
格式:pdf
大?。?span id="486t9mn" class="single-tag-height" data-v-09d85783>196KB
頁(yè)數(shù):未知
4.3
負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò),具有良好的函數(shù)逼近性能,已被廣泛應(yīng)用到電力負(fù)荷預(yù)測(cè)中,并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測(cè)方法,對(duì)存在的問(wèn)題進(jìn)行了分析,并對(duì)未來(lái)的發(fā)展進(jìn)行了展望。
基于RBF神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)研究綜述
格式:pdf
大?。?span id="4gr2a2q" class="single-tag-height" data-v-09d85783>196KB
頁(yè)數(shù):未知
4.7
負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò),具有良好的函數(shù)逼近性能,已被廣泛應(yīng)用到電力負(fù)荷預(yù)測(cè)中,并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測(cè)方法,對(duì)存在的問(wèn)題進(jìn)行了分析,并對(duì)未來(lái)的發(fā)展進(jìn)行了展望。
基于RBF神經(jīng)網(wǎng)絡(luò)的軟基沉降預(yù)測(cè)研究
格式:pdf
大?。?span id="xrvbvol" class="single-tag-height" data-v-09d85783>298KB
頁(yè)數(shù):4P
3
基于rbf神經(jīng)網(wǎng)絡(luò)的軟基沉降預(yù)測(cè)研究——將神經(jīng)網(wǎng)絡(luò)理論引入軟基沉降預(yù)測(cè)領(lǐng)域.借助自控領(lǐng)域信號(hào)處理的思想,應(yīng)用改進(jìn)后的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的映射模式進(jìn)行軟基沉降的短期預(yù)測(cè);軟基沉降的長(zhǎng)期預(yù)測(cè)實(shí)質(zhì)上為基于神經(jīng)網(wǎng)絡(luò)的多維歐氏空間的曲面擬合問(wèn)題,將地基壓...
基于RBF神經(jīng)網(wǎng)絡(luò)的投標(biāo)報(bào)價(jià)預(yù)測(cè)研究
格式:pdf
大?。?span id="koi1kiw" class="single-tag-height" data-v-09d85783>122KB
頁(yè)數(shù):3P
4.8
針對(duì)建筑工程特點(diǎn),提出了基于rbf神經(jīng)網(wǎng)絡(luò)的建筑工程投標(biāo)報(bào)價(jià)方法,建立建筑工程投標(biāo)報(bào)價(jià)標(biāo)高率數(shù)學(xué)模型。應(yīng)用matlab計(jì)算軟件,以實(shí)例驗(yàn)證了該模型的正確性及實(shí)用性。
基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究
格式:pdf
大?。?span id="pno094t" class="single-tag-height" data-v-09d85783>114KB
頁(yè)數(shù):未知
4.5
電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是能量管理系統(tǒng)的重要組成部分,不但為電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行提供保障,也是電力市場(chǎng)環(huán)境下編排調(diào)度計(jì)劃、供電計(jì)劃、交易計(jì)劃的基礎(chǔ)。因此,短期負(fù)荷預(yù)測(cè)方法的研究一直為人們所重視。
基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究
格式:pdf
大?。?span id="7nbcqng" class="single-tag-height" data-v-09d85783>114KB
頁(yè)數(shù):未知
4.6
電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是能量管理系統(tǒng)的重要組成部分,不但為電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行提供保障,也是電力市場(chǎng)環(huán)境下編排調(diào)度計(jì)劃、供電計(jì)劃、交易計(jì)劃的基礎(chǔ)。因此,短期負(fù)荷預(yù)測(cè)方法的研究一直為人們所重視。
基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)
格式:pdf
大小:120KB
頁(yè)數(shù):未知
4.7
電力系統(tǒng)負(fù)荷預(yù)測(cè)的重要性、分類和主要預(yù)測(cè)方法,bp神經(jīng)網(wǎng)絡(luò)算法的基本理論和預(yù)測(cè)過(guò)程,建立基于bp神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)模型,以加州24h的電力負(fù)荷預(yù)測(cè)為例進(jìn)行matlab仿真,結(jié)果顯示預(yù)測(cè)精度符合電力系統(tǒng)要求。
基于RBF神經(jīng)網(wǎng)絡(luò)模型的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)
格式:pdf
大?。?span id="k8jfgm6" class="single-tag-height" data-v-09d85783>241KB
頁(yè)數(shù):3P
4.7
電力系統(tǒng)短期負(fù)荷對(duì)電力企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益都有一定影響。因此文中建立了基于rbf神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷模型。用歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本,用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè),并與bp神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。rbf神經(jīng)網(wǎng)絡(luò)的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經(jīng)網(wǎng)絡(luò)精確度較高,有利于電力系統(tǒng)合理地進(jìn)行調(diào)度規(guī)劃工作。
基于粒子群動(dòng)態(tài)灰色模型的短期風(fēng)電功率預(yù)測(cè)
格式:pdf
大?。?span id="1134ei6" class="single-tag-height" data-v-09d85783>609KB
頁(yè)數(shù):6P
4.6
針對(duì)風(fēng)場(chǎng)輸出功率短期預(yù)測(cè)所遇到的信息貧乏、精度低和不確定性高的問(wèn)題,提出一種粒子群動(dòng)態(tài)灰色模型。該模型利用粒子群算法改變背景值參數(shù),通過(guò)迭代搜尋和線性化處理對(duì)齊次或非齊次的指數(shù)參數(shù)進(jìn)行連續(xù)優(yōu)化,提升了預(yù)測(cè)精度;該模型還引入殘差模型對(duì)外界環(huán)境的變化進(jìn)行預(yù)測(cè),降低了由環(huán)境的不確定性對(duì)預(yù)測(cè)帶來(lái)的影響。將此模型運(yùn)用到比利時(shí)風(fēng)場(chǎng)輸出功率的短期預(yù)測(cè)當(dāng)中,實(shí)驗(yàn)結(jié)果證明了該模型對(duì)求解所提問(wèn)題是有效的。
基于RBF神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)研究
格式:pdf
大?。?span id="3bws0vu" class="single-tag-height" data-v-09d85783>228KB
頁(yè)數(shù):4P
4.6
為了減小電力負(fù)荷預(yù)測(cè)中的誤差,提出了基于rbf神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)模型.介紹了負(fù)荷序列的相似度預(yù)測(cè)模型,并在此基礎(chǔ)上采用了rbf網(wǎng)絡(luò)對(duì)負(fù)荷波動(dòng)值的誤差糾正.通過(guò)運(yùn)用實(shí)際電力負(fù)荷數(shù)據(jù)進(jìn)行驗(yàn)證,該模型能較好地避免不良數(shù)據(jù)的干擾,有效地提高了負(fù)荷序列的預(yù)測(cè)精度.
RBF神經(jīng)網(wǎng)絡(luò)在建筑物沉降預(yù)測(cè)中的應(yīng)用
格式:pdf
大?。?span id="9pfpiou" class="single-tag-height" data-v-09d85783>154KB
頁(yè)數(shù):1P
4.7
介紹了基于matlab的徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)對(duì)于建筑物沉降預(yù)測(cè)的方法,討論了rbf神經(jīng)網(wǎng)絡(luò)的構(gòu)造思路、參數(shù)和分布密度spread的選擇。為建筑物變形監(jiān)測(cè)人員的數(shù)據(jù)分析、變形預(yù)測(cè)提供了一個(gè)可行的概念。
基于RBF神經(jīng)網(wǎng)絡(luò)的砂土液化預(yù)測(cè)
格式:pdf
大?。?span id="posoe3z" class="single-tag-height" data-v-09d85783>198KB
頁(yè)數(shù):4P
3
基于rbf神經(jīng)網(wǎng)絡(luò)的砂土液化預(yù)測(cè)——通過(guò)分析砂土液化成因及其影響因素,建立了砂土液化預(yù)測(cè)rbf網(wǎng)絡(luò)模型,并與bp網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行比較.測(cè)試結(jié)果表明,應(yīng)用rbf網(wǎng)絡(luò)模型對(duì)砂土液化進(jìn)行預(yù)測(cè),預(yù)測(cè)效果好,識(shí)別精度高.
基于高維云RBF神經(jīng)網(wǎng)絡(luò)的混凝土強(qiáng)度預(yù)測(cè)
格式:pdf
大?。?span id="ur1mfp7" class="single-tag-height" data-v-09d85783>171KB
頁(yè)數(shù):3P
4.5
針對(duì)目前混凝土強(qiáng)度預(yù)測(cè)中存在的不確定性,難以自適應(yīng)性的確定神經(jīng)網(wǎng)絡(luò)隱含層,建立了基于高維云的rbf神經(jīng)網(wǎng)絡(luò)的混凝土預(yù)測(cè)模型。運(yùn)用matlab8.10進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明該模型綜合考慮了影響混凝土強(qiáng)度的各種因素,能夠?qū)崿F(xiàn)預(yù)測(cè)結(jié)果的隨機(jī)性和模糊性,具有更高的預(yù)測(cè)精度,更快的訓(xùn)練速度,可以廣泛應(yīng)用于生產(chǎn)現(xiàn)場(chǎng)實(shí)地的混凝土強(qiáng)度預(yù)測(cè)和質(zhì)量檢驗(yàn)。
基于MATLAB的RBF神經(jīng)網(wǎng)絡(luò)在建筑物沉降預(yù)測(cè)中的應(yīng)用
格式:pdf
大?。?span id="ncwk5b7" class="single-tag-height" data-v-09d85783>495KB
頁(yè)數(shù):4P
4.7
介紹了rbf神經(jīng)網(wǎng)絡(luò)的模型和結(jié)構(gòu),提出將該網(wǎng)絡(luò)應(yīng)用于建筑物沉降預(yù)測(cè)。運(yùn)用matlab工具箱函數(shù)建立了沉降預(yù)測(cè)網(wǎng)絡(luò)模型,編制了計(jì)算程序,通過(guò)工程實(shí)例驗(yàn)證了該模型的正確性和可行性,并和bp神經(jīng)網(wǎng)絡(luò)在收斂速度上進(jìn)行了比較,結(jié)果表明rbf神經(jīng)網(wǎng)絡(luò)的收斂速度遠(yuǎn)遠(yuǎn)快于bp網(wǎng)絡(luò)。
基于RBF神經(jīng)網(wǎng)絡(luò)的公路貨運(yùn)量預(yù)測(cè)方法研究
格式:pdf
大小:603KB
頁(yè)數(shù):4P
4.7
本文提出了一種基于rbf神經(jīng)網(wǎng)絡(luò)的直接預(yù)測(cè)法,對(duì)公路貨運(yùn)量進(jìn)行了預(yù)測(cè),并利用matlab工具箱予以了實(shí)現(xiàn).對(duì)2004和2005年公路貨運(yùn)量預(yù)測(cè)的結(jié)果表明,預(yù)測(cè)值與國(guó)家統(tǒng)計(jì)局公布的實(shí)際數(shù)值有很好的一致性,預(yù)測(cè)精度也高于其它rbf預(yù)測(cè)法,有很好的應(yīng)用性.
基于RBF神經(jīng)網(wǎng)絡(luò)的工程造價(jià)決策研究
格式:pdf
大?。?span id="splzkdh" class="single-tag-height" data-v-09d85783>143KB
頁(yè)數(shù):3P
4.7
分析了對(duì)工程造價(jià)有重要影響的眾多因素,參考國(guó)內(nèi)外專家、學(xué)者的研究成果,確定了影響工程造價(jià)的18個(gè)主要因素,并基于rbf神經(jīng)網(wǎng)絡(luò)建立了工程造價(jià)決策模型。本文利用rbf神經(jīng)網(wǎng)絡(luò)快速、準(zhǔn)確的函數(shù)逼近能力,為工程造價(jià)決策提供了一種新的方法。
基于模態(tài)分解和支持向量機(jī)的風(fēng)電功率組合預(yù)測(cè)
格式:pdf
大?。?span id="3sn4jxi" class="single-tag-height" data-v-09d85783>2.1MB
頁(yè)數(shù):7P
4.3
針對(duì)風(fēng)電功率序列的不確定性和隨機(jī)性特征,提出基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解(eemd)和支持向量回歸機(jī)(svr)的風(fēng)電功率預(yù)測(cè)模型。同時(shí),為克服支持向量回歸機(jī)依賴人為經(jīng)驗(yàn)選擇學(xué)習(xí)參數(shù)的弊端,采用縱橫交叉算法(cso)優(yōu)化支持向量回歸機(jī)學(xué)習(xí)參數(shù)。首先,利用聚類經(jīng)驗(yàn)?zāi)B(tài)分解將原始風(fēng)電功率序列分解為一系列復(fù)雜度差異明顯的子序列。然后,分別對(duì)每子序列單獨(dú)建立cso-svr預(yù)測(cè)模型。最后,疊加各子序列的預(yù)測(cè)值得到實(shí)際預(yù)測(cè)結(jié)果。實(shí)例研究表明,所提模型能獲得優(yōu)良的風(fēng)電功率預(yù)測(cè)結(jié)果。
基于RBF神經(jīng)網(wǎng)絡(luò)的V撐施工過(guò)程風(fēng)險(xiǎn)分析
格式:pdf
大?。?span id="o4pbwf1" class="single-tag-height" data-v-09d85783>1.1MB
頁(yè)數(shù):5P
4.8
運(yùn)用rbf神經(jīng)網(wǎng)絡(luò)(radialbasisfunctionneuralnetwork)理論,分析了大夾角v撐施工期間最大風(fēng)險(xiǎn)因素可能發(fā)生的部位,并對(duì)v撐的結(jié)構(gòu)失效風(fēng)險(xiǎn)性進(jìn)行了定量分析。將有限元分析結(jié)果作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù),利用徑向基神經(jīng)網(wǎng)絡(luò)建立了基本變量和結(jié)構(gòu)響應(yīng)之間的隱性映射關(guān)系,根據(jù)蒙特卡洛原理進(jìn)行模擬計(jì)算,最終得出v撐施工過(guò)程中各個(gè)危險(xiǎn)截面出現(xiàn)結(jié)構(gòu)失效的概率預(yù)估值。通過(guò)工程實(shí)例驗(yàn)證表明,基于徑向基神經(jīng)網(wǎng)絡(luò)所建立的施工過(guò)程風(fēng)險(xiǎn)分析方法計(jì)算效率高,具有可行性和有效性,同時(shí)為v撐施工風(fēng)險(xiǎn)決策提供了理論依據(jù)。
文輯推薦
知識(shí)推薦
百科推薦
職位:鋼結(jié)構(gòu)安全員
擅長(zhǎng)專業(yè):土建 安裝 裝飾 市政 園林