| 【中文题名】 | 基于过程神经元网络的动态预测模型及其应用 |
| 【英文题名】 | Dynamic Prediction Model Based on Process Neural Networks and Its Application |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-10 |
| 【中关键词】 | 动态预测,过程神经元网络,学习算法,时间序列预测,电力负荷预测, |
| 【英关键词】 | Dynamic prediction,Process neural networks,Learning algorithm,Time series prediction,Forecasting of electric load, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
动态预测是实际工程领域和科学研究中普遍存在的问题。在应用中,很多系统都可以看作是一类复杂的非线性时变问题,一些问题由于缺乏先验理论和知识,以及内部变换和环境因素相互作用的复杂性,很难用确定的机理模型进行精确描述和分析。例如,飞行器发动机性能衰退预测预报、化工生产PID控制、油田开发产能预报预测等。在实际应用中,需要建模和预测的多为非线性动态系统,而利用传统的神经网络只能预先确定系统的静态模型。基于此,动态网络建模和预测的研究,是近年来神经网络建模和预测的新发展方向。
在发展过程神经网络理论方面,本文从连接方式和逼近特性角度出发,研究了具有较好适应性的过程神经网络模型——非层次化过程神经网络,构建了3种不同时域聚合机制的输入输出均为时变函数的过程神经元网络,其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应。这三种网络分别是:时变输入输出过程神经元网络,延时过程神经元网络,阶段时变输入过程神经元网络。文中为提及的网络模型开发了各自适用的学习算法,并对各网络模型及其学习算法的相关性能进行了分析和仿真验证。
本文提出的基于过程神经网络的动态预测理论主要基... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-8 |
|
创新点摘要 |
8-11 |
|
引言 |
11-13 |
|
第1章 人工神经网络理论 |
13-26 |
|
1.1 人工神经网络理论的发展及应用领域 |
13-17 |
|
1.2 人工神经网络模型 |
17-21 |
|
1.3 过程神经网络模型 |
21-24 |
|
1.4 本章小结 |
24-26 |
|
第2章 非层次化过程神经网络及其学习算法 |
26-47 |
|
2.1 非层次化过程神经网络模型 |
26-29 |
|
2.2 非层次化过程神经网络学习算法 |
29-37 |
|
2.3 非层次化过程神经网络仿真试验 |
37-43 |
|
2.4 非层次化过程神经网络收敛性分析 |
43-45 |
|
2.5 本章小结 |
45-47 |
|
第3章 时变输入输出过程神经网络 |
47-52 |
|
3.1 时变输入输出过程神经元模型 |
47 |
|
3.2 时变输入输出过程神经元网络模型 |
47-48 |
|
3.3 时变输入输出过程神经元网络的学习算法 |
48-50 |
|
3.4 应用举例 |
50-51 |
|
3.5 本章小结 |
51-52 |
|
第4章 延时过程神经网络 |
52-54 |
|
4.1 延时过程神经元模型 |
52 |
|
4.2 延时过程神经元网络模型 |
52 |
|
4.3 延时过程神经元网络的学习算法 |
52-53 |
|
4.4 应用举例 |
53 |
|
4.5 本章小结 |
53-54 |
|
第5章 阶段时变输入过程神经网络 |
54-56 |
|
5.1 阶段时变输入过程神经元模型 |
54 |
|
5.2 阶段时变输入过程神经元网络模型 |
54 |
|
5.3 阶段时变输入过程神经元网络的学习算法 |
54-55 |
|
5.4 应用举例 |
55 |
|
5.5 本章小结 |
55-56 |
|
第6章 过程神经网络在动态预测中的应用 |
56-65 |
|
6.1 过程神经网络逼近能力分析 |
56-59 |
|
6.2 基于过程神经网络的动态预测 |
59-61 |
|
6.3 在电力负荷预测中的应用 |
61-64 |
|
6.4 本章小结 |
64-65 |
|
结论 |
65-66 |
|
参考文献 |
66-69 |
|
发表文章目录 |
69-70 |
|
致谢 |
70-71 |
|
详细摘要 |
71-79 |
|
| 【DOI】 | LunWen.ID:2.2008.388573 |
