本文關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)技術(shù)及其應(yīng)用

  更多相關(guān)文章： 神經(jīng)網(wǎng)絡(luò) 水文預(yù)報(bào) 電力系統(tǒng)負(fù)荷預(yù)測

【摘要】： 人工神經(jīng)網(wǎng)絡(luò)技術(shù)已有很長的歷史，但近些年來進(jìn)展非常迅速。研究表明該技術(shù)在很多領(lǐng)域都具有廣闊的應(yīng)用潛力，如預(yù)測預(yù)報(bào)、模式識別、自動(dòng)控制等領(lǐng)域的智能模擬和信息處理。神經(jīng)網(wǎng)絡(luò)技術(shù)在水文水資源中的應(yīng)用也越來越多。大量的研究表明：神經(jīng)網(wǎng)絡(luò)技術(shù)具有大規(guī)模并行處理、分布式存儲、自適應(yīng)性、容錯(cuò)性等顯著優(yōu)點(diǎn)，利用該技術(shù)可以有效地解決水文水資源中難以精確建模、具有高度非線性和各種不確定性的問題。 人工神經(jīng)網(wǎng)絡(luò)技術(shù)的關(guān)鍵在于建立一個(gè)既有一定理論基礎(chǔ)又具適用性的網(wǎng)絡(luò)模型。這涉及到三個(gè)主要方面。 (1)網(wǎng)絡(luò)算法的優(yōu)選； (2)網(wǎng)絡(luò)結(jié)構(gòu)的合理確定； (3)信息的充分利用。 本論文正是基于以上三個(gè)方面的考慮，結(jié)合人工神經(jīng)網(wǎng)絡(luò)技術(shù)在水文預(yù)報(bào)及電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用，，進(jìn)行了較系統(tǒng)的探索，取得了以下具有創(chuàng)新意義的研究成果。 (1)在網(wǎng)絡(luò)算法上，提出一種自適應(yīng)的BP算法，該方法能有效的抑制網(wǎng)絡(luò)陷于局部極小并縮短了學(xué)習(xí)時(shí)間。提出一種敏感型神經(jīng)網(wǎng)絡(luò)模型，該模型在對權(quán)值的調(diào)整過程中采用指數(shù)型能量函數(shù)，以加快網(wǎng)絡(luò)的學(xué)習(xí)收斂速度。開創(chuàng)性地利用時(shí)間差分神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練網(wǎng)絡(luò)權(quán)重。首次采用兩種不同的手段將卡爾曼濾波技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合。 (2)首次在水文中建立帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，兩個(gè)偏差節(jié)點(diǎn)分別加在隱層和輸出層上。隱層節(jié)點(diǎn)不僅接收來自輸入層的輸出信號，還接收隱層節(jié)點(diǎn)自身的一步延時(shí)輸出信號，加強(qiáng)了對過去的輸入信息的存儲，因此 該網(wǎng)絡(luò)結(jié)構(gòu)反映了前后時(shí)段水文變量的相關(guān)特性，大大增強(qiáng)了網(wǎng)絡(luò)適應(yīng)性，提 高了網(wǎng)絡(luò)預(yù)測精度。 (3)為充分挖掘樣本所包含的信息，本文從訓(xùn)練樣本的構(gòu)成入手，提出兩 種方法:一為擇優(yōu)檢驗(yàn)法，二為加權(quán)檢驗(yàn)法。在敏感型神經(jīng)網(wǎng)絡(luò)模型中，構(gòu)造 時(shí)序樣本時(shí)引入遺忘因子和期望因子，達(dá)到合理地利用各種信息的目的，從而 提高了模型的實(shí)用性。過擬合是人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用中經(jīng)常遇到的難題，本 文引用信息論中的一般測不準(zhǔn)關(guān)系式，對神經(jīng)網(wǎng)絡(luò)中過擬合問題進(jìn)行了定性分 析與定量計(jì)算，這對解決該難題具有一定的指導(dǎo)意義。 綜上所述，為了加強(qiáng)人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用基礎(chǔ)，提高在系統(tǒng)建模、計(jì)算 和預(yù)測中的實(shí)用性，特別是在水文水資源計(jì)算和預(yù)測中的實(shí)用性，本文就該項(xiàng) 技術(shù)當(dāng)前存在的問題—網(wǎng)絡(luò)結(jié)構(gòu)和算法的合理確定以及樣本信息的挖掘和充 分利用，做了開拓性的探討，獲得了有價(jià)值的創(chuàng)新成果。
【關(guān)鍵詞】：神經(jīng)網(wǎng)絡(luò) 水文預(yù)報(bào) 電力系統(tǒng)負(fù)荷預(yù)測
【學(xué)位授予單位】：四川大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2003
【分類號】：P338;TP183
【目錄】：

• 摘要3-5
• ABSTRACT5-11
• 緒論11-27
• 0.1 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在水文預(yù)報(bào)中的研究現(xiàn)狀11-14
• 0.1.1 對網(wǎng)絡(luò)算法的改進(jìn)12-13
• 0.1.2 網(wǎng)絡(luò)結(jié)構(gòu)的變化13-14
• 0.1.3 網(wǎng)絡(luò)算法與其它方法的耦合途徑14
• 0.2 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在電力負(fù)荷預(yù)測中的研究現(xiàn)狀14-20
• 0.2.1 影響負(fù)荷預(yù)測作用大小的因素15-16
• 0.2.2 負(fù)荷預(yù)測的基本原理16-17
• 0.2.3 神經(jīng)網(wǎng)絡(luò)技術(shù)在電力負(fù)荷預(yù)測中的研究現(xiàn)狀17-19
• 0.2.4 四川省電網(wǎng)特點(diǎn)19-20
• 0.3 人工神經(jīng)網(wǎng)絡(luò)技術(shù)在應(yīng)用中存在的問題20-21
• 0.3.1 訓(xùn)練樣本問題20-21
• 0.3.2 網(wǎng)絡(luò)結(jié)構(gòu)問題21
• 0.3.3 網(wǎng)絡(luò)算法問題21
• 0.3.4 網(wǎng)絡(luò)推廣能力問題21
• 0.4 本文主要研究內(nèi)容21-23
• 0.4.1 研究意義22
• 0.4.2 研究內(nèi)容22-23
• 參考文獻(xiàn)23-27
• 第一章 神經(jīng)網(wǎng)絡(luò)技術(shù)若干問題的進(jìn)一步研究27-49
• 1.1 人工神經(jīng)網(wǎng)絡(luò)推廣能力的研究27-33
• 1.1.1 神經(jīng)網(wǎng)絡(luò)推廣能力研究現(xiàn)狀28
• 1.1.2 推廣能力的定性分析28-30
• 1.1.3 一般推廣問題的數(shù)學(xué)研究30
• 1.1.4 提高推廣能力的方法研究30-33
• 1.2 設(shè)計(jì)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究33-41
• 1.2.1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的研究現(xiàn)狀34-38
• 1.2.2 級數(shù)人工神經(jīng)網(wǎng)絡(luò)模型38-41
• 1.3 神經(jīng)網(wǎng)絡(luò)樣本量問題的研究41-44
• 1.3.1 兩個(gè)基本概念41-43
• 1.3.2 訓(xùn)練樣本量范圍大小的計(jì)算公式43-44
• 1.4 本章小結(jié)44
• 參考文獻(xiàn)44-49
• 第二章 自適應(yīng)BP模型及其應(yīng)用49-58
• 2.1 引言49-50
• 2.2 自適應(yīng)BP算法模型50-52
• 2.2.1 標(biāo)準(zhǔn)BP網(wǎng)絡(luò)結(jié)構(gòu)及算法50-51
• 2.2.2 自適應(yīng)BP算法51-52
• 2.3 自適應(yīng)BP算法在洪水預(yù)報(bào)中的應(yīng)用52-54
• 2.3.1 自適應(yīng)BP算法擬合結(jié)果52-53
• 2.3.2 自適應(yīng)BP算法預(yù)報(bào)結(jié)果53-54
• 2.4 自適應(yīng)BP算法在電力負(fù)荷預(yù)測中的應(yīng)用54-57
• 2.4.1 原始資料分析54-55
• 2.4.2 不考慮氣象因素的計(jì)算結(jié)果55-56
• 2.4.3 考慮氣象因素的計(jì)算結(jié)果56-57
• 2.5 小結(jié)57
• 參考文獻(xiàn)57-58
• 第三章 具有敏感功能的人工神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用58-67
• 3.1 引言58
• 3.2 敏感型人工神經(jīng)網(wǎng)絡(luò)模型58-60
• 3.2.1 時(shí)序訓(xùn)練樣本的構(gòu)造58-59
• 3.2.2 指數(shù)型能量函數(shù)59-60
• 3.3 敏感型人工神經(jīng)網(wǎng)絡(luò)模型在洪水預(yù)報(bào)中的應(yīng)用60-62
• 3.3.1 實(shí)例1:長江監(jiān)利站60-61
• 3.3.2 實(shí)例2:新疆伊犁河雅馬渡站61-62
• 3.4 敏感型人工神經(jīng)網(wǎng)絡(luò)模型在電力負(fù)荷預(yù)測中的應(yīng)用62-65
• 3.4.1 原始資料分析62-63
• 3.4.2 不考慮氣象因素的計(jì)算結(jié)果63-64
• 3.4.3 考慮氣象因素的計(jì)算結(jié)果64-65
• 3.5 小結(jié)65-66
• 參考文獻(xiàn)66-67
• 第四章 時(shí)間差分法模型及在洪水預(yù)報(bào)中的應(yīng)用67-73
• 4.1 引言67-68
• 4.2 時(shí)間差分人工神經(jīng)網(wǎng)絡(luò)模型68-69
• 4.3 時(shí)間差分法神經(jīng)網(wǎng)絡(luò)模型在水文預(yù)報(bào)中的應(yīng)用69-71
• 4.3.1 實(shí)例1:長江監(jiān)利站69-70
• 4.3.2 實(shí)例2:岷江紫坪埔站70-71
• 4.4 小結(jié)71-72
• 參考文獻(xiàn)72-73
• 第五章 結(jié)合卡爾曼濾波技術(shù)的神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用73-83
• 5.1 引言73-74
• 5.2 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的卡爾曼濾波實(shí)時(shí)校正模型74-76
• 5.3 ANNK模型應(yīng)用76-78
• 5.3.1 ANNK模型在水文預(yù)報(bào)上的應(yīng)用76-77
• 5.3.2 ANNK模型應(yīng)用小結(jié)77-78
• 5.4 基于卡爾曼濾波實(shí)時(shí)校正技術(shù)的神經(jīng)網(wǎng)絡(luò)模型78-80
• 5.5 KANN模型的應(yīng)用80-81
• 5.5.1 KANN模型在水文預(yù)報(bào)中的應(yīng)用80-81
• 5.5.2 KANN模型應(yīng)用小結(jié)81
• 參考文獻(xiàn)81-83
• 第六章 帶偏差單元的人工神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用83-89
• 6.1 引言83-84
• 6.2 帶偏差單元的人工神經(jīng)網(wǎng)絡(luò)模型84-86
• 6.2.1 帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)84-85
• 6.2.2 帶偏差單元的遞歸神經(jīng)網(wǎng)絡(luò)的計(jì)算85-86
• 6.3 帶偏差單元的神經(jīng)網(wǎng)絡(luò)模型在年徑流預(yù)報(bào)中的應(yīng)用86-88
• 6.4 小結(jié)88
• 參考文獻(xiàn)88-89
• 第七章 BP網(wǎng)絡(luò)過擬合滿足的不確定關(guān)系式在應(yīng)用中的研究89-109
• 7.1 引言89
• 7.2 BP網(wǎng)絡(luò)過擬合不確定關(guān)系式的推導(dǎo)89-92
• 7.3 實(shí)際應(yīng)用中過擬合參數(shù)的求取92-107
• 7.3.1 長江流域宜昌水文站93-97
• 7.3.2 長江流域監(jiān)利水文站97-100
• 7.3.3 岷江流域紫坪埔水文站100-104
• 7.3.4 金沙江流域屏山水文站104-107
• 7.4 小結(jié)107
• 參考文獻(xiàn)107-109
• 第八章 總結(jié)與展望109-112
• 聲明112-113
• 攻讀博士期間發(fā)表論文113-114
• 致謝114

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 魏峰;;一種數(shù)字式煤礦安全監(jiān)控系統(tǒng)設(shè)計(jì)[J];工礦自動(dòng)化;2017年02期

2 楊肅昌;仇亞萍;;神經(jīng)網(wǎng)絡(luò)法在商業(yè)銀行信用風(fēng)險(xiǎn)計(jì)量中的應(yīng)用[J];合作經(jīng)濟(jì)與科技;2016年05期

3 王炎;王船海;王妮;陳景波;許強(qiáng);;BP神經(jīng)網(wǎng)絡(luò)在感潮河段水動(dòng)力洪水預(yù)報(bào)中的應(yīng)用[J];水力發(fā)電;2016年02期

4 鄭文龍;都金康;;基于BP神經(jīng)網(wǎng)絡(luò)的瑪納斯河流域雪蓋率預(yù)測[J];南京大學(xué)學(xué)報(bào)(自然科學(xué));2015年05期

5 吉春輝;劉振旺;秦旭達(dá);田利成;張烘州;劉婕;;鈦合金螺旋銑孔參數(shù)對表面粗糙度影響研究[J];河北科技大學(xué)學(xué)報(bào);2015年03期

6 孫會波;閆寶瑞;信春玲;何亞東;;基于BP神經(jīng)網(wǎng)絡(luò)的擠出溫升預(yù)測[J];塑料;2014年06期

7 寧梓呈;鄭玉航;王愛亮;;基于PCA-GA-BP神經(jīng)網(wǎng)絡(luò)的狀態(tài)評估算法[J];兵工自動(dòng)化;2014年09期

8 謝志遠(yuǎn);朱成立;盧婷;;基于計(jì)算機(jī)輔助系統(tǒng)的灌溉管網(wǎng)設(shè)計(jì)原則的研究[J];電子測試;2014年10期

9 李寧;王波;邢艷娟;張建民;潘保芝;;基于毛細(xì)管壓力曲線儲層自動(dòng)分類及測井評價(jià)[J];測井技術(shù);2013年06期

10 邵福波;董玉林;胡運(yùn)紅;;支持向量機(jī)理論發(fā)展與應(yīng)用綜述[J];泰山學(xué)院學(xué)報(bào);2013年06期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張學(xué)廣;基于損傷理論的鋁合金板料成形極限研究[D];吉林大學(xué);2016年

2 王慧明;丁腈橡膠在原油介質(zhì)中的溶脹老化及耐磨損性能研究[D];沈陽工業(yè)大學(xué);2015年

3 陳建民;面向移動(dòng)應(yīng)用安全評估的多屬性專家決策模型及應(yīng)用研究[D];北京工業(yè)大學(xué);2014年

4 張杰;復(fù)雜斷陷盆地套管損壞原因及預(yù)測方法研究[D];中國海洋大學(xué);2014年

5 薛承夢;產(chǎn)品創(chuàng)新設(shè)計(jì)人員與組織匹配研究及系統(tǒng)開發(fā)[D];重慶大學(xué);2014年

6 石磊;基于ANN的頸脊髓損傷和股骨轉(zhuǎn)子間骨折預(yù)后預(yù)測研究[D];大連海事大學(xué);2014年

7 羅旋;采油螺桿泵轉(zhuǎn)子轉(zhuǎn)速優(yōu)化方法研究[D];沈陽工業(yè)大學(xué);2013年

8 宋曉林;1950s以來撓力河流域徑流特征變化及其影響因素[D];中國科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2012年

9 馬國巍;中國乳業(yè)合作社發(fā)展研究[D];東北林業(yè)大學(xué);2011年

10 尹利華;公路軟土地基處理關(guān)鍵技術(shù)智能信息化研究[D];長安大學(xué);2011年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 苗玉;煤層氣單井系統(tǒng)故障診斷與參數(shù)預(yù)測的研究[D];大連理工大學(xué);2016年

2 仇亞萍;基于神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)評估研究[D];蘭州大學(xué);2016年

3 司海青;含水量對土壤有機(jī)質(zhì)含量高光譜估算的影響研究[D];中國農(nóng)業(yè)科學(xué)院;2015年

4 張靚;基于語音疲勞度的識別研究[D];安徽大學(xué);2015年

5 胡超;基于BP人工神經(jīng)網(wǎng)絡(luò)的區(qū)域森林火災(zāi)預(yù)測研究[D];浙江海洋學(xué)院;2015年

6 陳漢偉;基于人工智能的虛擬角色行為決策能力的研究[D];浙江理工大學(xué);2015年

7 潘超;微電網(wǎng)超短期負(fù)荷預(yù)測方法及策略研究[D];遼寧工業(yè)大學(xué);2015年

8 孫碩;面向預(yù)防性維修的備件需求預(yù)測與庫存優(yōu)化方法研究[D];北京理工大學(xué);2015年

9 張野;基于神經(jīng)網(wǎng)絡(luò)的油管傳輸射孔（TCP）信號分析[D];沈陽理工大學(xué);2015年

10 李偉昌;基于ANFIS的風(fēng)電機(jī)組變槳距系統(tǒng)故障診斷與預(yù)測[D];河北工業(yè)大學(xué);2015年

本文編號：648733