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

《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》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。

1、學校代碼：１＾１分類號：ＴＰ３９Ｌ４．＼ｍ＾密級Ｉ：公開ＵＤ。６２１．３呈一＂１３建巧學號：１３８８雜＇禱＇爭魚！＾堂工程碩±學位論文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（學位論文形式：應用研究）研巧生姓名：沈璃導師姓名：魏海坤吳福保串請舉仿類別工程碩±學位授予單位東南大學下賴領(lǐng)域務稱控制工程論文答辯日期２０１６年４月１日研巧方向模式識別理論與應用學位授予日期２０年月日答辯委員會主席汪峰評閱人李世華甄子注２０１６年

2、４月７日乘兩：碩±學位論文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專業(yè)名稱：控制工程研究生姓名：沈心（教授）導師姓名：魏海坤＿Ｒｅｓｅａｒｃｈ？ｏｎＮｕｍｅｒｉｃａｌＰｒｅｄｉｃｔｉｏｎｏｆＮｏｎ－ｖａｒｌｉｎｅａｒＳｌｏｗＴｉｍｅｉｎｇＳｓ１：ｅｍＢａｓｅｄｏｎｙｙＮｅｕｒａｌＮｅｔｗｏｒｋＡＴｈｅｓｉｓＳｕｂｍｉｔｅｄ化ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙＦｏｒ化ｅＡｃａｄｅｍｉｃＤｅｇｒｅｅｏｆＭａｓｔｅｒｏｆＥｎｇｉｎｅ

3、ｅｒｉｎｇＢＹＳＨＥＮＹｕＳｕｐｅｒｖｉｓｅｄｂｙＰｒｏｆ－ｋｕｎ．ＷＥＩＨａｉＳｃｈｏｏｌｏｆＡｕｔｏｍａｔｉｏｎＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙＭａｒｃｈ２０１６東南大學學位論文獨創(chuàng)性聲明本人聲明所呈交的學位論文是我個人在導師指導下進行的研究工作及取得的研巧成果。盡我所，論，知，除了文中特別加Ｗ標注和致謝的地方外文中不包含其他人己經(jīng)發(fā)表或撰寫過的研巧成果也不包含為獲得東南大學或其它教育機構(gòu)的學位或證書而使用過的材料一。與我同工作的同志對本研巧所做的任何貢獻均已在

4、論文中作了明確的說明并表示了謝意。研究生簽名：獻叫日期：壬々Ｕ．東南大學學位論文使用授權(quán)聲明東南大學、中國科學技術(shù)信息研究所、國家圖書館有權(quán)保留本人所送交學位論文的復印件和電子文檔，可Ｗ采用影印、縮印或其他復制手段保存論文。本人電子文檔的內(nèi)容和紙質(zhì)論文的內(nèi)容相一致，，可。除在保密期內(nèi)的保密論文外允許論文被査閱和借閱Ｗ公布（包括Ｗ電子信息形式刊登）論文的全部內(nèi)容或中、英文摘要等部分內(nèi)容。論文的公布（包括Ｗ電子信息形式刊登）授權(quán)東南大學研巧生院辦理。研巧生簽名：導師簽名：＾摘要本文＾主要內(nèi)

5、容。在實際的生產(chǎn)和生活中有很１＾＞非線性慢時變系統(tǒng)的數(shù)值預測研究為多系統(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(guān)系不滿足線性關(guān)系。本文Ｗ神經(jīng)網(wǎng)絡為工具對非線性，并且這種對應關(guān)系會隨著時間的推移而發(fā)生變化慢時變系統(tǒng)的數(shù)值預測問題展開研巧。神經(jīng)網(wǎng)絡具有復雜、非線性映射能力，并且可Ｗ通過對訓練樣本的學習，自適應地調(diào)整權(quán)值。本文基于神經(jīng)網(wǎng)絡模型對參數(shù)慢時變的非ｃｋｅ－Ｇ線性函數(shù)、Ｍａｙｌａｓｓ時間序列Ｗ及實際風電場的風速這Ｈ種非線性慢時變系統(tǒng)展開了數(shù)值預測的研究。主要研巧內(nèi)容包括Ｗ下幾個方面：Ｐ－首

6、先、Ｍａｃｋｅ創(chuàng)ａｓｓ時間序列Ｗ及，基于Ｂ神經(jīng)網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)ｙ實際風電場的風速進行了在線預測與批量預測?；冢拢猩窠?jīng)網(wǎng)絡對參數(shù)慢時變的非線ａｃｋｅ－ａｓｓ性函數(shù)的在線預測準確度較差，對ＭｙＧｌ時間序列Ｗ及實際風電場風速的在線ＢＰ－預測可Ｗ得到精度合理的結(jié)果?；谏窠?jīng)網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)、ＭａｃｋｅｙＧｌａｓｓ時間序列Ｗ及實際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、ＭａｃｋｅＧｌａｓｓ時間序列Ｗ及，

7、基于級連相關(guān)網(wǎng)絡對參數(shù)慢時變的非線性函數(shù)ｙ實際風電場的風速進行了増量預測。級連相關(guān)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基于級連相關(guān)網(wǎng)絡對參數(shù)慢－時變的非線性西數(shù)、ＭａｃｋｅｙＧｌａｓｓ時間序列Ｗ及實際風電場的風速的增量預測均具有較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ＬＵＢＥ一神經(jīng)網(wǎng)絡與方法結(jié)合，在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一界。由于ＬＵＢＥ方法的結(jié)果依賴于初始值的選擇，

8、本文提出了種新的區(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ＬＵＢＥ一ＲＢＦ為區(qū)間預測