（定稿）年生产万吨饲料级一水硫酸锌建设项目投资申请报告5

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。

遗传截断执行指令来实现特定功能，不可避免低速，且芯片在强干扰条件下，尤其是强电磁干扰下，很可能越出正常的工作流程，出现跑飞现象。

该设计让我对数字信号处理方面的知识上了个台阶，也为我今后从事数字信号处理的研究和设计工作奠定了良好的基础。

然而，设计还有很多不完善之处。

正因为我的学习水平所限，在研究和设计该课题时遇到了许多困难，我深知这些困难就是我的专业知识短板。

但是，我会积极汲取知识和经验，补好这些短板，提高自身能力，为今后投身社会中而努力。

参考文献程佩青数字信号处理教程北京清华大学出版社，王华，张健原理及其编程开发技术北京电子工业出版社，何苏勤，徐家艳基于定点语音录放系统的设计北京化工大学，周霖通信工程技术应用北京国防工业出版社，汪安民，程昱应用开发实用子程序北京人民邮电出版社，阎石数字电子技术基础北京高等教育出版社，谭浩强程序设计北京清华大学出版社，周荷琴吴秀清微型计算机原理与接口技术中国科学技术大学出版社，附录附录通道初始化程序，，，后记当我写完这篇毕业论文的时候，心情十分激动，感慨良多。

从开始进入课题到资料的搜集再到论文的顺利完成，整个过程都离不开老师朋友们的热情帮助，在这里请接受我诚挚的谢意，感谢我的论文指导老师曹华伟老师。

这篇论文的每步都是在曹老师的悉心指导下完成的，其间倾注了曹老师大量的心血。

曹老师为人随和热情，治学严谨细心。

在闲聊中他总是能像知心朋友样鼓励我，而在论文的写作上他却总会以专业标准严格要求我，从选题定题开始，直到最后论文的反复修改润色，曹老师始终认真负责地给予了我深刻而细致地指导。

他多次从繁忙的工作中抽出时间询问我的研究进程，并为我指点迷津，帮助我开拓研究思路。

正是有了曹老师的无私帮助与热忱鼓励，我的毕业论文才能够得以顺利完成。

我也要感谢我自己。

在论文的整个写作过程中，自己总是积极主动的和老师朋友们沟通交流，不耻下问。

通过这篇论文的写作，我更加理解了态度决定切这句话的深刻道理。

当然，位为，说明下个要传输的数据属于次通信。

第二个数据用来对开始初始化及语音信号经转换输入语音数据压缩初始化存储数据包存存满语言数据解压语言信号经过转换输出结束的个控制寄存器的个位置进行配置。

位为，位为所选寄存器地址，位为所选寄存器的编程值。

通过对个可编程控制寄存器编程，使工作在以下状态选择为工作模拟输入，和模式，不带从机，采样频率为，模拟信号输入和放大增益均为。

个寄存器初始化需要个主通信和次通信。

压扩算法的实现。

内部的缓冲串口带有硬件实现的率和率压缩解压，用户只需要在相应寄存器中进行设置就可以了，本系统通过软件来完成线性码转换成率。

在主程序中通过抽样量化得到线性编码，再由编码表通过软件计算得到率编码，其中高位为符号位，第到为段落码，低为段内码。

将的压缩结果存储到系统中进行缓存，根据抽样率语音存储时间以及系统的容量设置语音存储缓冲区的大小，待缓冲区存满后，将缓冲区内的数据进行解压缩，然后输出到接口输出。

用户代码的编写。

完成音频信号采集与回放代码的编制。

本设计给编算法，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