1、“.....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......”。

2、“.....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......”。

3、“.....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......”。

4、“.....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......”。

5、“.....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......”。

6、“.....上海中国机械工程学会，汤酞则﹒我国模具技术产业结构发展现状及发展趋势分析﹒年中国机械工程学会年会论文编辑，长沙中国机械工程学会，唐轩﹒塑料模具技术发展趋势﹒技术市场高慧明，曲卯林，孙伟﹒我国模具材料的选择及热处理工艺的发展﹒商品与质量产，因此，是现代工业中重要的工艺装备，是高新技术产业的个组查阅相关资料，综合掌握和应用塑料模具设计的基础理论和专业知识，系统的掌握模具结构设计的基本方法和步骤。最终在此基础上完成套完整的模具设计，绘制出模具的装配图和零件图并完成模具设计计算说明书。由注塑模具设计相关理论知识，根据制品的塑件图，从制品的塑料品种，塑件形状，尺寸精度，表面粗糙度等各方面考虑从而通过计算确定模具各个组成部分的结构尺寸。最终设计出套机床手柄注塑模具。二拟采用的研究手段机床手柄注塑模具的设计主要包括以下主要结构的设计分型面位置的确定。为了更容易脱模，塑件应具有定的脱模斜度，同时应选择合适的分型面。综合考虑分型面选择遵循的基本原则及机床手柄塑件的结构，确定分型面的位置。型腔排列方式模具结构形式的确定。现代注塑机的料筒通常置于定模板中心轴上......”。

7、“.....只有这样才能满足下面的条件各型腔应在相同温度下同时充填，即分流道长度均等熔料到各型腔流程短，以降低废料率各型腔间的距离应尽可能大，以便于有足够的空间来设置冷却水道推出杆，并具有足够的截面积，以承受注射压力总的反作用力应作用于注射机模板中心。根据以上要求确定型腔讨会文集，北京中国高等科学技术中心，图书著者﹒书名﹒版本﹒出版地出版者，出版年﹒页次如果该书是第版则可以略去版次。例如韩其智，孙洪洲﹒群论﹒北京北京大学出版社，﹒预印本作者﹒论文题目﹒预印本编号出版年份例如﹒﹒学位论文作者﹒论文题目﹒学士或硕士博士学位论文出版地出版者，出版年份例如陈异纳米粒子形貌控制研究硕士学位论文北京中国科学院,电子文献主要责任者电子文献题名﹒电子文献的出处或可获地址发表或更新日期例如王明亮关于中国学术期刊标准化数据库系统工程的进展,专利专利所有者专利名称专利国别专利号，日期例如姜锡洲种温热外敷药制备方案中国专利，置方案。注塑机型号的选择。根据塑料的品种，塑件的结构和注射模的大小，成型方法，生产批量以及现有设备的注射工艺进行注射机的选择。注射机的选择包括两个方面的内容是确定注射机的型号......”。

8、“.....塑件，注射模及注射工艺等所要求的注射机的规格参数在所选注射机的规格参数可调的范围内二是调整注射机的技术参数至所需要的参数。浇注系统的设计。般浇注系统包括四个基本部分主流道分量的主体。按产值统计，我国目前冲模占，塑料模占在国外，工业发达的国家对发展塑料模很重视，塑料模比例般占。国内模具中大型精密复杂长寿命模具比较少，约占左右，国外为以上。此外，我国模具生产企业结构不合理，主要生产模具能力集中在各主机厂的模具分厂或车间内，模具商品化率低，模具自产自用比例高达以上，而国外以上是商品化的。产品水品行，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......”。

9、“.....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......”。