本文關鍵詞：人工神經網(wǎng)絡技術及其應用

  更多相關文章： 神經網(wǎng)絡 水文預報 電力系統(tǒng)負荷預測

【摘要】： 人工神經網(wǎng)絡技術已有很長的歷史，但近些年來進展非常迅速。研究表明該技術在很多領域都具有廣闊的應用潛力，如預測預報、模式識別、自動控制等領域的智能模擬和信息處理。神經網(wǎng)絡技術在水文水資源中的應用也越來越多。大量的研究表明：神經網(wǎng)絡技術具有大規(guī)模并行處理、分布式存儲、自適應性、容錯性等顯著優(yōu)點，利用該技術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。 人工神經網(wǎng)絡技術的關鍵在于建立一個既有一定理論基礎又具適用性的網(wǎng)絡模型。這涉及到三個主要方面。 (1)網(wǎng)絡算法的優(yōu)選； (2)網(wǎng)絡結構的合理確定； (3)信息的充分利用。 本論文正是基于以上三個方面的考慮，結合人工神經網(wǎng)絡技術在水文預報及電力系統(tǒng)負荷預測中的應用，，進行了較系統(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)絡算法上，提出一種自適應的BP算法，該方法能有效的抑制網(wǎng)絡陷于局部極小并縮短了學習時間。提出一種敏感型神經網(wǎng)絡模型，該模型在對權值的調整過程中采用指數(shù)型能量函數(shù)，以加快網(wǎng)絡的學習收斂速度。開創(chuàng)性地利用時間差分神經網(wǎng)絡模型來訓練網(wǎng)絡權重。首次采用兩種不同的手段將卡爾曼濾波技術與神經網(wǎng)絡技術相結合。 (2)首次在水文中建立帶偏差單元的遞歸神經網(wǎng)絡模型結構，兩個偏差節(jié)點分別加在隱層和輸出層上。隱層節(jié)點不僅接收來自輸入層的輸出信號，還接收隱層節(jié)點自身的一步延時輸出信號，加強了對過去的輸入信息的存儲，因此 該網(wǎng)絡結構反映了前后時段水文變量的相關特性，大大增強了網(wǎng)絡適應性，提 高了網(wǎng)絡預測精度。 (3)為充分挖掘樣本所包含的信息，本文從訓練樣本的構成入手，提出兩 種方法:一為擇優(yōu)檢驗法，二為加權檢驗法。在敏感型神經網(wǎng)絡模型中，構造 時序樣本時引入遺忘因子和期望因子，達到合理地利用各種信息的目的，從而 提高了模型的實用性。過擬合是人工神經網(wǎng)絡技術應用中經常遇到的難題，本 文引用信息論中的一般測不準關系式，對神經網(wǎng)絡中過擬合問題進行了定性分 析與定量計算，這對解決該難題具有一定的指導意義。 綜上所述，為了加強人工神經網(wǎng)絡技術的應用基礎，提高在系統(tǒng)建模、計算 和預測中的實用性，特別是在水文水資源計算和預測中的實用性，本文就該項 技術當前存在的問題—網(wǎng)絡結構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，獲得了有價值的創(chuàng)新成果。
【關鍵詞】：神經網(wǎng)絡 水文預報 電力系統(tǒng)負荷預測
【學位授予單位】：四川大學
【學位級別】：博士
【學位授予年份】：2003
【分類號】：P338;TP183
【目錄】：

• 摘要3-5
• ABSTRACT5-11
• 緒論11-27
• 0.1 人工神經網(wǎng)絡技術在水文預報中的研究現(xiàn)狀11-14
• 0.1.1 對網(wǎng)絡算法的改進12-13
• 0.1.2 網(wǎng)絡結構的變化13-14
• 0.1.3 網(wǎng)絡算法與其它方法的耦合途徑14
• 0.2 人工神經網(wǎng)絡技術在電力負荷預測中的研究現(xiàn)狀14-20
• 0.2.1 影響負荷預測作用大小的因素15-16
• 0.2.2 負荷預測的基本原理16-17
• 0.2.3 神經網(wǎng)絡技術在電力負荷預測中的研究現(xiàn)狀17-19
• 0.2.4 四川省電網(wǎng)特點19-20
• 0.3 人工神經網(wǎng)絡技術在應用中存在的問題20-21
• 0.3.1 訓練樣本問題20-21
• 0.3.2 網(wǎng)絡結構問題21
• 0.3.3 網(wǎng)絡算法問題21
• 0.3.4 網(wǎng)絡推廣能力問題21
• 0.4 本文主要研究內容21-23
• 0.4.1 研究意義22
• 0.4.2 研究內容22-23
• 參考文獻23-27
• 第一章 神經網(wǎng)絡技術若干問題的進一步研究27-49
• 1.1 人工神經網(wǎng)絡推廣能力的研究27-33
• 1.1.1 神經網(wǎng)絡推廣能力研究現(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)學研究30
• 1.1.4 提高推廣能力的方法研究30-33
• 1.2 設計人工神經網(wǎng)絡結構的研究33-41
• 1.2.1 人工神經網(wǎng)絡結構的研究現(xiàn)狀34-38
• 1.2.2 級數(shù)人工神經網(wǎng)絡模型38-41
• 1.3 神經網(wǎng)絡樣本量問題的研究41-44
• 1.3.1 兩個基本概念41-43
• 1.3.2 訓練樣本量范圍大小的計算公式43-44
• 1.4 本章小結44
• 參考文獻44-49
• 第二章 自適應BP模型及其應用49-58
• 2.1 引言49-50
• 2.2 自適應BP算法模型50-52
• 2.2.1 標準BP網(wǎng)絡結構及算法50-51
• 2.2.2 自適應BP算法51-52
• 2.3 自適應BP算法在洪水預報中的應用52-54
• 2.3.1 自適應BP算法擬合結果52-53
• 2.3.2 自適應BP算法預報結果53-54
• 2.4 自適應BP算法在電力負荷預測中的應用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算結果55-56
• 2.4.3 考慮氣象因素的計算結果56-57
• 2.5 小結57
• 參考文獻57-58
• 第三章 具有敏感功能的人工神經網(wǎng)絡模型及其應用58-67
• 3.1 引言58
• 3.2 敏感型人工神經網(wǎng)絡模型58-60
• 3.2.1 時序訓練樣本的構造58-59
• 3.2.2 指數(shù)型能量函數(shù)59-60
• 3.3 敏感型人工神經網(wǎng)絡模型在洪水預報中的應用60-62
• 3.3.1 實例1:長江監(jiān)利站60-61
• 3.3.2 實例2:新疆伊犁河雅馬渡站61-62
• 3.4 敏感型人工神經網(wǎng)絡模型在電力負荷預測中的應用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算結果63-64
• 3.4.3 考慮氣象因素的計算結果64-65
• 3.5 小結65-66
• 參考文獻66-67
• 第四章 時間差分法模型及在洪水預報中的應用67-73
• 4.1 引言67-68
• 4.2 時間差分人工神經網(wǎng)絡模型68-69
• 4.3 時間差分法神經網(wǎng)絡模型在水文預報中的應用69-71
• 4.3.1 實例1:長江監(jiān)利站69-70
• 4.3.2 實例2:岷江紫坪埔站70-71
• 4.4 小結71-72
• 參考文獻72-73
• 第五章 結合卡爾曼濾波技術的神經網(wǎng)絡模型及其應用73-83
• 5.1 引言73-74
• 5.2 基于神經網(wǎng)絡技術的卡爾曼濾波實時校正模型74-76
• 5.3 ANNK模型應用76-78
• 5.3.1 ANNK模型在水文預報上的應用76-77
• 5.3.2 ANNK模型應用小結77-78
• 5.4 基于卡爾曼濾波實時校正技術的神經網(wǎng)絡模型78-80
• 5.5 KANN模型的應用80-81
• 5.5.1 KANN模型在水文預報中的應用80-81
• 5.5.2 KANN模型應用小結81
• 參考文獻81-83
• 第六章 帶偏差單元的人工神經網(wǎng)絡模型及其應用83-89
• 6.1 引言83-84
• 6.2 帶偏差單元的人工神經網(wǎng)絡模型84-86
• 6.2.1 帶偏差單元的遞歸神經網(wǎng)絡結構84-85
• 6.2.2 帶偏差單元的遞歸神經網(wǎng)絡的計算85-86
• 6.3 帶偏差單元的神經網(wǎng)絡模型在年徑流預報中的應用86-88
• 6.4 小結88
• 參考文獻88-89
• 第七章 BP網(wǎng)絡過擬合滿足的不確定關系式在應用中的研究89-109
• 7.1 引言89
• 7.2 BP網(wǎng)絡過擬合不確定關系式的推導89-92
• 7.3 實際應用中過擬合參數(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107
• 參考文獻107-109
• 第八章 總結與展望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】

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)設計[J];工礦自動化;2017年02期

2 楊肅昌;仇亞萍;;神經網(wǎng)絡法在商業(yè)銀行信用風險計量中的應用[J];合作經濟與科技;2016年05期

3 王炎;王船海;王妮;陳景波;許強;;BP神經網(wǎng)絡在感潮河段水動力洪水預報中的應用[J];水力發(fā)電;2016年02期

4 鄭文龍;都金康;;基于BP神經網(wǎng)絡的瑪納斯河流域雪蓋率預測[J];南京大學學報(自然科學);2015年05期

5 吉春輝;劉振旺;秦旭達;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];河北科技大學學報;2015年03期

6 孫會波;閆寶瑞;信春玲;何亞東;;基于BP神經網(wǎng)絡的擠出溫升預測[J];塑料;2014年06期

7 寧梓呈;鄭玉航;王愛亮;;基于PCA-GA-BP神經網(wǎng)絡的狀態(tài)評估算法[J];兵工自動化;2014年09期

8 謝志遠;朱成立;盧婷;;基于計算機輔助系統(tǒng)的灌溉管網(wǎng)設計原則的研究[J];電子測試;2014年10期

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

10 邵福波;董玉林;胡運紅;;支持向量機理論發(fā)展與應用綜述[J];泰山學院學報;2013年06期

中國博士學位論文全文數(shù)據(jù)庫 前10條

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

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

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

4 張杰;復雜斷陷盆地套管損壞原因及預測方法研究[D];中國海洋大學;2014年

5 薛承夢;產品創(chuàng)新設計人員與組織匹配研究及系統(tǒng)開發(fā)[D];重慶大學;2014年

6 石磊;基于ANN的頸脊髓損傷和股骨轉子間骨折預后預測研究[D];大連海事大學;2014年

7 羅旋;采油螺桿泵轉子轉速優(yōu)化方法研究[D];沈陽工業(yè)大學;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];中國科學院研究生院(東北地理與農業(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;2011年

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

中國碩士學位論文全文數(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)預測的研究[D];大連理工大學;2016年

2 仇亞萍;基于神經網(wǎng)絡的商業(yè)銀行信用風險評估研究[D];蘭州大學;2016年

3 司海青;含水量對土壤有機質含量高光譜估算的影響研究[D];中國農業(yè)科學院;2015年

4 張靚;基于語音疲勞度的識別研究[D];安徽大學;2015年

5 胡超;基于BP人工神經網(wǎng)絡的區(qū)域森林火災預測研究[D];浙江海洋學院;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;2015年

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

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

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

10 李偉昌;基于ANFIS的風電機組變槳距系統(tǒng)故障診斷與預測[D];河北工業(yè)大學;2015年

本文編號：648733