為了解決用傳統(tǒng)數(shù)學(xué)模型預(yù)測碟式太陽能集熱器出口溫度過于復(fù)雜的問題,采用廣義回歸神經(jīng)網(wǎng)絡(luò)算法對太陽能集熱器出口溫度進行預(yù)測,引入交叉驗證算法對神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化,進一步提升預(yù)測的準(zhǔn)確性,通過Matlab軟件建立基于優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的蝶式太陽能出口氣溫預(yù)測模型.根據(jù)碟式太陽能光熱系統(tǒng)試驗平臺的試驗數(shù)據(jù)對所建立的模型進行了測試,預(yù)測結(jié)果符合預(yù)期,這表明優(yōu)化后的廣義回歸神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對蝶式太陽能集熱器出口氣溫的有效預(yù)測.該模型具有一定的應(yīng)用前景,為預(yù)測模型研究提供了一個新的思路.

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1廣義回歸網(wǎng)絡(luò)結(jié)構(gòu)

廣義回歸神經(jīng)網(wǎng)絡(luò)屬于一種前饋式的徑向基神經(jīng)網(wǎng)絡(luò)模型,該理論由DonaldF.Specht在1991年提出,其網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示.從圖1中可以看出,廣義回歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與徑向基神經(jīng)網(wǎng)絡(luò)相似,主要由輸入層、隱含層、線性層、輸出層組成.

圖3光滑因子與平均百分比誤差的關(guān)系

通過交叉驗證算法,求得不同光滑因子取值下GRNN預(yù)測模型的平均百分比誤差、均方根誤差與光滑因子的關(guān)系,結(jié)果見圖3和圖4.從圖3、圖4中可以看出,平均百分比誤差和均方根誤差隨著光滑因子的變化趨勢相似,均在σ=0.09時取得最小值,即該GRNN神經(jīng)網(wǎng)絡(luò)模型的最優(yōu)光滑因子為0.09,此....

圖4光滑因子與均方根誤差的關(guān)系

圖3光滑因子與平均百分比誤差的關(guān)系表2優(yōu)化后的GRNN模型指標(biāo)樣本實測值/℃預(yù)測值/℃百分比誤差/%1260.87273.57574.8712315.21324.22652.8613357.81369.50203.268????....

圖5預(yù)測誤差分布圖

為了更直觀地看出預(yù)測誤差的分布情況,繪制了預(yù)測誤差分布圖,如圖5所示.從圖5中可以看出,該模型的預(yù)測誤差多集中在±2%～4%,只有部分樣本的預(yù)測誤差達到6%,該結(jié)果符合預(yù)期,具有一定的應(yīng)用前景.2.4數(shù)據(jù)對比

本文編號：3891115