超声波测距离在汽车上的应用 ㊣ 精品文档 值得下载

，，，程度系数，是神经元的输出函数。

第三，神经网络显示了高度的关联，这由神经网络的重量决定。

改变网络的关联性需要改变神经网络总重量。

通过管理方式的训练，已成功地应用于解决许多困难和各种各样的问题。

在训练过程中需要丰富的网络知识。

训练后，这些知识将储存在神经网络中。

这是神经网络的特点与从训练获得计算能力的经历中分析能力结合的结果。

网络系统可用于函数逼近问题。

其中，网络的输入等价于回归模型公式的预测变量，网络的输出等价于预测值。

对给定的问题，与回归模型公式中的平方和误差相似的成本函数可作为学习能力的度量。

分析的目的就是调整网络系统的重以减少函数的值。

被称为算法是个很普遍的训练算法，通常被用来调整网络的重量，直至达到标准才停止。

神经网络在风力发电功率估算中的应用我们给每个涡轮机配置个神经网络。

网络的输入量是从两个气象塔获取高度时的风速和风向。

网络的输出量是在定输入量时相应的估算功率曲线。

另外还有三个步骤可以改善分析。

首先，经过函数转换后，风速范围就从英里变为英里的正常范围内了。

该转换函数还能反映当风速较高时，对风力发电机组输出功率的影响是有限的。

第二，用公式对的风向作预处理，使其范围变小，从而增加高处风向对发电机组功率的影响。

对输入量的预处理过程能使分析更快比如较少的分析重复，得出每个发电机组输出量的预测值与测量值之间的小差异。

第三，为了比较，我们还考虑了个节点的总体输入不仅有的线性组合，还有两个变量，三个变量，四个变量等高阶组合，形成了高阶前向反馈神经网络。

为了便于比较高阶神经网络与回归模型的公式，用于文件中的高阶网络输入包含公式中的所有项。

例如，为了比较高阶神经网络和回归模型中的阶，神经网络的输入应包括风速的阶，阶阶，以及对风向作预处理后风速的两个结果。

回归模型和神经网络模型的分析比较回归模型的参数估计和神经网络重量训练的强度调节都尽量减少平方和误差。

但是，回归模型要求公式中的函数的形式要先有明确定义，使模型函数可靠但也很容易评估。

另方面，通过分析数据，使数据可靠，神经网络实现函数逼近功能。

获取回归模型的参数估计和神经网络的重量调整也有差异。

在回归模型中，通常用公式中的矩阵表示，然后解出函数得到最小二乘估计第节。

在神经网络中，网络重量通常多次调整也许数千次，直至达到标准才停止。

当网络的形非线性化功能函数变为线性函数，回归模型和神经网络之间也存在明显的关系。

般的阶神经网络将相当于多变量线性回归模型，以及高阶神经网络将相当于多变量多项式回归模型。

因此，在个处理复杂的函数逼近问题神经网络中，非线性功能函数是个重要的因素。

图和图比较回归和神经网络模型的些性能。

本例采用回归模型和神经网络模型，利用了西边的气象塔所测的风速来预测东边气象塔的风速。

回归模型的参数估计和神经网络模型的训练用到了年月的样本数据组。

在回归模型中，当线性函数预先确定时见图，输入和输出预测值之间的关系是线性的，这反映了回归模型的函数依赖特性。

但是，神经网络却是通过分析生成输入输出的关系。

从回归模型的角度来看，这种关系或同等功能更为复杂见图。

但是，神经网络模型依赖数据。

在图中，参数估计和网络重量的训练是依据年月的头个数据样本。

低风速与高的风速相比，这选择方式有更高的数据存储密度，使神经网络重量的斜率在低处风的数据中更大。

然而，当选择的实验数据同样来自不同风速段，即使测试数据是年月的如图所示，神经网络模型在低风速和高风速中都能得到更好的性能。

回归模型和神经网络模型中风力发电机组功率估算的比较在估算风力发电机组功率时，采用的数据均取自两个气象塔米高的风速和风向。

对于每个涡轮机，分钟内个数据的平均值能够反映典型的风力发电机组功率，这些数据均取自年月份，回归模型的参数估计和神经网络模型的实验中将会用到这些数据。

实验数据的选择主要有以下考虑尽量使实验数据分布在不同的风速段中尽量使实验数据覆盖来自不同的方向的风。

估算功率的回归模型是基于公式而得，其中有个多项式，这个多项式含有两个风速变量和由风向转化为风速而来的两个计算结果。

图表示了为年月份的实验数据而建的第阶，第阶和第阶多项式回归模型三条发电机组功率估算曲线。

可以看出，第阶回归模型获得了最好的预测结果，较低阶和较高阶都会使预测结果变差。

这表明，低阶多项式在这个应用中不适合即使高阶多项式的参数很小，高阶多项式在风速较高时也会引入噪声。

人们已经发现由风向转化为风速的两个计算结果可以改善预测精度。

引入这两个计算结果，就能根据不同风向调整发电机组功率的估算。

为每个发电机组建立神经网络并进行试验。

每个网络有三层。

在三层中选择的节点数分别为不含偏离的。

输入量是测量到的风速和风向经过预处理后得到的值，所需的网络输出是标准的发电功率。

在图中，我们把用年月份的相同试验数据建立的实验性网络的结果与第阶回归模型的结果进行了比较。

表给出了在四个月的试验数据条件下，第号发电机组不同模型的估算功率与测量功率之差的绝对值，单位是。

图形和表格均显示神经网络具有更好的结果。

这种比较没有把高阶和阶神经网络之间的差异表现出。

实际上，通过神经元模型中的加权总和的输入和非线性功能函数，般阶神经网络可获得与高阶项之间相互作用相同的效果。

另方面，回归模型必须明确地包括那些高阶相互作用。

在实践中，神经网络模型输出功率个月的比较，可以用来预测当月和下月输出功率。

此外，在像戴维斯堡堡风力发电场样复杂地形的地方，只要每个发电机组都有自己的模型，就可以预测其输出功率。

我们还没有建立了若干个月的数据的数量，这些数据可以用于这个模型的试验及发展，但国家气象部门通常在完善气象预报模式中应用个月期间的数据。

然而，为了使神经网络在年四季都有很好的网络性能，这就需要神经网络试验具备更多的数据。

为了处理更高级的问题，具备并联机上扩展卡尔曼整形滤波器的风力发电功率神经网络正在研究之中。

在许多应用当中，扩展卡尔曼整形滤波器在整形速度和网络性能方面很有优势。

结论为了估算风力发电机组功率曲线，我们已经比较了回归模型和神经网络模型。

这两个模型都是尽量减小测量值和预测值的平方和误差。

回归模型在最小二乘参数估计之前要先定义个明确的函数，而神经网络依赖更多的试验数据和分析算法。

模型的输入变量被限制在由气象塔测量的高度处的风速和风向。

通过比较模型预测值和未在模型中使用的测量值，我们发现神经网络模型比回归模型具有更好的性能。

风力发电也可受其他因素影响，如空气密度，垂直风轮廓线，季节，天中的不同时间。

在多种复杂因素的影响下，回归模型合适函数的选择是极其困难的，这是神经网络的另优势。

，，，ˆ，，，，，，，，，英译中回归比较分析和人工神经网络模型在风力发电机组功率曲线估算中的应用摘要本文探讨和比较了用于估计风力发电机组功率曲线的回归模型和人工神经网络模型。

第，考虑了风力发电机组发电的特点。

然后，