（定稿）物流管理项目投资申请报告1（喜欢就下吧）

因此，这种方法适用于那些给定样本数据具有代表性的问题。

而对于输入样本数据具有定冗余性的问题来说，这种方法就不太适用。

为此，设计者可以考虑在样本密集的地方中心点可以适当多些，样本稀疏的地方中心点可以少些进步的方法是通过自组织的方法自动找到不同区域样本的代表向量。

在这种方法中，旦中心点选定，就而已进步确定基函数的扩展系数。

例如高斯函数的宽度可以取式中，是所选数据中心之间的最大距离，是数据中心的数目。

自组织学习选取中心及网络设计中心通过自组织学习进行聚类，选取聚类中心作为中心，而输出层的权值可以通过解线性方程组，也可以通过有监督的学习规则计算。

自组织学习的目的是使的中心位于样本空间的代表性区域。

年，和提出种由两个阶段组成的混合学习过程的思路。

第阶段为自组织学习阶段，目的是为隐藏层径向基函数的中心估计个合适的位置，可采用聚类算法确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展系数第二阶段为监督学习阶段，用有监督学习算法，如梯度法训练网络得出输出层的权值。

虽然可以用批处理来执行上述两种学习阶段，但是用自适应迭代的方法更理想。

对于自组织学习过程，我们需要个聚类的算法将所给的数据点剖几个不同的部分，每部分中的数据都尽量有相同性质。

种这样的算法为均值聚类算法，他将径向基函数的中心放在输入空间中重要数据点所在的区域上。

那么，数据中心的均值聚类算法的步骤如下初始化。

选择个互不相同向量作为初始聚类中心，选择方法可以是随机选取。

计算各样本点与聚类中心点的距离。

相似匹配。

将全部样本划分为个子集，每个子集构成个以聚类中心为典型代表的聚类域。

更新各类的聚类中心。

对各聚类域中的样本取均值表示聚类中心。

令，转到第步，重复上述过程，对于均值聚类法，直到时停止训练。

各聚类中心确定后，可根据各中心之间的距离确定对应径向基函数的扩展系数。

，则扩展系数取，为重叠系数。

混合学习过程的第二步是用有监督学习算法得到输出层的权值，常采用算法，下节中有所说明。

有监督学习选取中心及网络设计关于数据中心的监督学习算法，最般的情况是对输出层各权向量赋小随机数并进行归化处理隐节点函数的中心，扩展系数和输出层权值均采用监督学习算法进行训练，所有参数都经历个误差修正学习过程。

以单输出网络为例，采用梯度下降算法。

定义目标函数为式中，为训练样本数，为输入第个样本时的误差信号。

定义为，式中输出函数忽略了阈值。

为使目标函数最小化，各参数修正量应与其负梯度成正比，经推到得计算式为隐单元中心调整函数宽度扩展系数调整输出单元的权值更新上述目标函数是所有训练样本引起的误差的总和，导出的参数修正公式是种批处理式调整。

其他方法试验法令扩展参数以增量在定范围，内递增变化，在学习样本中，采用的数据作为训练样本数据，对网络进行训练。

然后用训练出的网络对另外为检验样本数据进行预测，最后得出预测值与样本之间的误差矩阵，用式作为评价网络性能的指标，将能够令误差最小的扩展参数的值选出，并用在最后的网络预测中，而式可以作为网络训练的终止准则。

可以看出，扩展参数的确定过程体现了对网络性能的验证过程。

文中由于将预测的数据均标准化至，区间内，输入向量之间距离的最大及最小值分别为和，因此选择扩展参数由，并以步长为进行变化。

采用进化优选算法选择中心把网络的结构设计问题归结为寻找最优选择路径问题，然后采用进化策略进行寻找，从而得到最优的数据中心及扩展系数。

例如基于免疫算法的网络优化基于遗传算法的网络优化。

下面以遗传算法为例介绍。

遗传算法，是类借鉴生物界的进化规则适者生存，优胜劣汰遗传机制演化而来的种全局自适应优化概率搜索算法。

遗传算法模拟自然选择和自然遗传过程中发生的繁殖交叉和基因突变现象，在每次迭代中都保留组候选解，并按照些指标从解群中选取较优的个体，利用遗传算子选择交叉和变异对这些个体进行组合，产生新代的候选解群，重复此过程，直到选出满足些收敛指标为止。

用遗传算法优化平滑参数的步骤为定义规模为的初始种群根据缺交叉预测的方法，分别计算每个个体的适应度根据得到的适应度，保留若干个适应度大的优良个体④执行选择交换变异操作，生成新代种群判断是否满足终止条件，若是，求出最优解若否，返回至步骤。

终止条件可以设置成连续进化几代后，最优值仍然保持不变，或已经达到最大进化代数。

最终，经过遗传算法优化，得到最优值。

图遗传算法的运算流程基于神经网络的风功率预测建模方法问题描述我国的风电开发已具有相当规模，为保证风电并网后电网安全可靠运行，电网企业作为风电的实际调度主体，熟悉大范围内风电运行特性，应充分发挥自身优势，参与风电功率预测系统的开发建设工作，不断完善风电功率预测系统的功能，并且根据我国实际特点，电网企业能够有条件制定适应我国风电开发特点的风电功率预测执行规范。

风电场功率预测是指风电场经营企业根据气象条件统计规律等技术和手段，提前对定运行时间内风电场发电有功功率进行分析预报，向电网调度机构提交预报结果，提高风电场与电力系统协调运行的能力。

根据电力调度部门安排运行方式的不同需求，风电功率预测分为日前预测和实时预测。

日前预测是预测明日小时个时点每分钟个时点的风功率数值。

实时预测是滚动地预测每个时点未来小时内的个时点每分钟个时点的风功率数值。

按预测时间的不同又可分为长期预测中期预测短期预测超短期预测。

其中超短期预测是提前几个小时或几十分钟预测。

本例预测是根据从风电场获得的风电机组输出功率数据，运用神经网络对风功率进行超短期实时预测并检验预测结果。

数据预处理合理性检验风电场输出功率值应均为正值，且不能大于总机组安装容量，故数值范围为单位为。

在此数值要求情况下，对风电场输出功率数据进行适当修正。

数据标准化在保证数据信息损失小的前提下，为减少网络的训练时间，利用最大最小标准化为数据进行归化，并对数值保留小数点后四位。

归化计算公式为式中，和分别为校正风功率数据中的最大值和最小值，该公式将数据归化到，之间。

转化矩阵形式对时间序列数据进截断行结果此次是速度的控制，速度具有比较严重的滞后性，所以般为了增强系统动态响应，比例积分微分全投入使用，经过多次参数设定比较后，当设定比例系数为，积分时间为，微分时间为时，系统能得到比较满意的控制效果，最大超调只有两度多，稳定后能保持在成变频调速传动系统的主要目的，是为了满足提高劳动生产率改善产品质量提高设备自动化程度提高生活质量及改善生活环境等要求二是为了节约能源降低生产成本。

用户根据自己的实际工艺要求和运用场合选择不同类型的变频器。

组态软件是指些数据采集与过程控制的专用软件，数算法的控制器设计是以连续系统控制规律为基础，经采样将其数字化写成离散形式控制方程，再根据离散方程进行控制程序设计。

典型的算法包括项，比例项积分项和微分项。

即输出比例项积分项微分项。

计算机在周期性地采样并离散化后进行运算，算法如下比例项能及时地产生与偏差成正比的调节作用，比例系数越大，比例调节作用越强，系统的静态稳定精度越高，但过大会使系统的输出量振荡加剧，稳定性降低。

积分项与偏差有关，只要偏差不为，过程采样控制量输入控制运算控制值输出控制的输出就会因积分作用而不断变化，直到偏差消失，系统处于稳定状态，所以积分的作用是消除稳态误差，提高控制精度，但积分的动作较慢，给系统的动态稳定带来不良影响，很少单独使用。

积分时间常数增大，积分作用越强，消除稳态误差的速度减慢。

微分项根据误差变化的速度即误差的微分进行调节，具有超前和预测的特点。

微分时间常数增大时，超调量减少，动态性能得到改善，但过大，系统输出量在接近稳态时可能上升缓慢。

许多控制系统内，可能只需要中的种或两种控制类型。

如可能只要求比例控制或比例与积分控制，通过设置参数可对回路进行控制类型进行选择。

内存变量分配表程序地址分配地址说明目标速度设定存放地址当前实际速度存放地址指令回路表地址名称说明过程变量必须在之间给定值必须在之间输出值必须在之间增益比例常数，可正可负采样时间单位为，必须是正数采样时间单位为，必须是正数微分时间单位为，必须是正数以下为开环控制的程序主程序中断程序子程序闭环控制设计硬件和速度反以内系统控制效果如下第五章总结和体会通过这次的课程设计，让我受益匪浅。

在课程设计期间通过与同学们之间的交流和老师的指导，使自己学到了不少知识。

除了学会了西门子的基本知识，并掌握了的工作原理和些指令的功能以外，还掌握了传感器和变频器的使用方法，并且深化了我对控制技术的知识在实践中不断增长，在实践中锻炼自己，培养自己各方面的能力，不断提高自己的能力。

第六章附录变频器内部原理框图第七章参考文献刘星平型工业综合自动化控制装置实训指导书石玉栗书贤电力电子技术题例与电路设计指导机械工业出版社，王兆安黄俊电力电子技术第版机械工业出版社，浣喜明姚为正电力电子技术高等教育出版社，莫正康电力电子技术应用第版机械工业出版社，郑琼林耿学文电力电子电路精选机械工业出版社，刘定建朱丹霞实用晶闸管电路大全机械工业出版社，刘祖润胡俊达毕业设计指导机械工业出版社，刘行，这样会导致解线性方程组时出现奇异矩阵，导致解的结果不可靠，这种情况随着样本数的增加而更加明显。

因此，这种方法适用于那些给定样本数据具有代表性的问题。

而对于输入样本数据具有定冗余性的问题来说，这种方法就不太适用。

为此，设计者可以考虑在样本密集的地方中心点可以适当多些，样本稀疏的地方中心点可以少些进步的方法是通过自组织的方法自动找到不同区域样本的代表向量。

在这种方法中，旦中心点选定，就而已进步确定基函数的扩展系数。

例如高斯函数的宽度可以取式中，是所选数据中心之间的最大距离，是数据中心的数目。

自组织学习选取中心及网络设计中心通过自组织学习进行聚类，选取聚类中心作为中心，而输出层的权值可以通过解线性方程组，也可以通过有监督的学习规则计算。

自组织学习的目的是使的中心位于样本空间的代表性区域。

年，和提出种由两个阶段组成的混合学习过程的思路。

第阶段为自组织学习阶段，目的是为隐藏层径向基函数的中心估计个合适的位置，可采用聚类算法确定合适的数据中心，并根据各中心之间的距离确定隐节点的扩展系数第二阶段为监督学习阶段，用有监督学习算法，如梯度法训练网络得出输出层的权值。

虽然可以用批处理来执行上述两种学习阶段，但是用自适应迭代的方法更理想。

对于自组织学习过程，我们需要个聚类的算法将所给的数据点剖几个不同的部分，每部分中的数据都尽量有相同性质。

种这样的算法为均值聚类算法，他将径向基函数的中心放在输入空间中重要数据点所在的区域上。

那么，数据中心的均值聚类算法的步骤如下初始化。

选择个互不相同向量作为初始聚类中心，选择方法可以是随机选取。

计算各样本点与聚类中心点的距离。

相似匹配。

将全部样本划分为个子集，每个子集构成个以聚类中心为典型代表的聚类域。

更新各类的聚类中心。

对各聚类域中的样本取均值表示聚类中心。

令，转到第步，重复上述过程，对于均值聚类法，直到时停止训练。

各聚类中心确定后，可根据各中心之间的距离确定对应径向基函数的扩展系数。

，则扩展系数取，为重叠系数。

混合学习过程的第二步是用有监督学习算法得到输出层的权值，常采用算法，下节中有所说明。

有监督学习选取中心及网络设计关于数据中心的监督学习算法，最般的情况是对输出层各权向量赋小随机数并进行归化处理隐节点函数的中心，扩展系数和输出层权值均采用监督学习算法进行训练，所有参数都经历个误差修正学习过程。

以单输出网络为例，采用梯度下降算法。

定义目标函数为式中，为训练样本数，为输入第个样本时的误差信号。

定义为，式中输出函数忽略了阈值。

为使目标函数最小化，各参数修正量应与其负梯度成正比，经推到得计算式为隐单元中心调整函数宽度扩展系数调整输出单元的权值更新上述目标函数是所有训练样本引起的误差的总和，导出的参数修正公式是种批处理式调整。

其他方法试验法令扩展参数以增量在定范围，内递增变化，在学习样本中，采用的数据作为训练样本数据，对网络进行训练。

然后用训练出的网络对另外为检验样本数据进行预测，最后得出预测值与样本之间的误差矩阵，用式作为评价网络性能的指