能源是社會(huì)進(jìn)步的原動(dòng)力,隨著傳統(tǒng)能源可開(kāi)采,可使用的日漸稀少,國(guó)內(nèi)外對(duì)于新能源的研究越發(fā)重視。而我國(guó)這些新能源產(chǎn)業(yè)興起較晚,發(fā)展緩慢,新型能源產(chǎn)業(yè)發(fā)展評(píng)估不夠充足;近年國(guó)內(nèi)不斷提出生態(tài)保護(hù)、能源改革,發(fā)展開(kāi)發(fā)新能源的政策,可見(jiàn)我國(guó)對(duì)于未來(lái)風(fēng)能產(chǎn)業(yè)發(fā)展的迫切,在此環(huán)境下研究風(fēng)能發(fā)展能力是具有時(shí)代意義的,為未來(lái)新能源發(fā)展和風(fēng)能產(chǎn)業(yè)發(fā)展提供科學(xué)參考依據(jù)。鑒于發(fā)展新能源的大時(shí)代背景下,本文以現(xiàn)有國(guó)內(nèi)外風(fēng)能產(chǎn)業(yè)發(fā)展能力為依據(jù),對(duì)未來(lái)風(fēng)能產(chǎn)業(yè)發(fā)展能力展開(kāi)具體研究。針對(duì)當(dāng)前風(fēng)能產(chǎn)業(yè)發(fā)展能力的研究大多集中在理論層面的現(xiàn)狀,本文通過(guò)參考大量文獻(xiàn)資料,首先在理論分析與實(shí)際相結(jié)合的基礎(chǔ)上,建立了一套能夠宏觀反映風(fēng)能產(chǎn)業(yè)發(fā)展能力的指標(biāo)體系。其次,在指標(biāo)體系基礎(chǔ)上建立了我國(guó)風(fēng)能產(chǎn)業(yè)發(fā)展能力分析模型,提煉出三個(gè)主成分,即生存能力因子、創(chuàng)新能力因子和發(fā)展環(huán)境因子,并且計(jì)算得到2008—2018年三個(gè)主成分得分與綜合得分,對(duì)當(dāng)前風(fēng)能產(chǎn)業(yè)的綜合發(fā)展能力進(jìn)行了科學(xué)合理的分析,為政府制定決策提供依據(jù)。最后,構(gòu)建了基于改進(jìn)粒子群長(zhǎng)短記憶時(shí)間序列神經(jīng)網(wǎng)絡(luò)(The Improved Particle Swarm Optimiza...

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1技術(shù)路線(xiàn)圖

本文立足風(fēng)能產(chǎn)業(yè)發(fā)展的相關(guān)概念,以風(fēng)能產(chǎn)業(yè)為研究對(duì)象,緊緊圍繞風(fēng)能產(chǎn)業(yè)發(fā)展能力進(jìn)行研究,分析了風(fēng)能產(chǎn)業(yè)的理論內(nèi)涵,闡述了風(fēng)能產(chǎn)業(yè)發(fā)展現(xiàn)狀,探究了風(fēng)能產(chǎn)業(yè)發(fā)展的影響因素,并進(jìn)一步構(gòu)建了相應(yīng)的指標(biāo)體系,創(chuàng)新性地構(gòu)建了風(fēng)能產(chǎn)業(yè)發(fā)展能力的IPSO-LSTM預(yù)測(cè)模型,最后以風(fēng)能產(chǎn)業(yè)為例進(jìn)行....

圖2-1RNN網(wǎng)絡(luò)的四種基本形式

(4)沒(méi)有時(shí)差的多對(duì)多網(wǎng)絡(luò),大多數(shù)會(huì)用在語(yǔ)音識(shí)別和圖像識(shí)別等[62]。RNN網(wǎng)絡(luò)的四種基本形式如圖2-1所示:RNN神經(jīng)網(wǎng)絡(luò)輸入是沒(méi)有長(zhǎng)度限制的。

圖2-2RNN隱含層神經(jīng)元

觀察圖2-2中的隱藏神經(jīng)元,,v,w是輸入、輸出和循環(huán)的權(quán)值。h是RNN網(wǎng)絡(luò)隱藏層的神經(jīng)元,同時(shí)也是循環(huán)神經(jīng)網(wǎng)絡(luò)中關(guān)鍵的一部分。信息在RNN神經(jīng)網(wǎng)絡(luò)一環(huán)接一環(huán)的方式進(jìn)行傳遞的,每一環(huán)信息都會(huì)對(duì)下一環(huán)信息有影響,這也是RNN的重要特點(diǎn)。和其他神經(jīng)網(wǎng)絡(luò)一樣,我們?cè)谟?xùn)練RNN網(wǎng)絡(luò)時(shí),我....

圖2-3含有多個(gè)隱含層的RNN網(wǎng)絡(luò)

在實(shí)際時(shí)間序列問(wèn)題預(yù)測(cè)應(yīng)用中,大多數(shù)預(yù)測(cè)都需要多層隱藏層進(jìn)行分析。如圖2-3所示,此圖是一個(gè)四層隱藏層的RNN神經(jīng)網(wǎng)絡(luò)。除此之外,輸入層{x0,x1?xt}和輸出層{y0,y1?yt}也是由神經(jīng)元構(gòu)成的。數(shù)據(jù)通過(guò)一層一層隱藏層神經(jīng)元傳遞,直到最后一層隱藏層循環(huán)完畢后,才算作神經(jīng)網(wǎng)....

本文編號(hào)：3909605