版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、隨著科技的發(fā)展,算法已經(jīng)成為智能化技術(shù)的核心。機器學習算法已成為主要的研究領(lǐng)域。在近年的機器學習領(lǐng)域中,神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機和極限學習機算法相繼出現(xiàn)了,其中極限學習機算法成為近年機器學習領(lǐng)域的研究熱點。隨著科學的發(fā)展,原有的極限學習機在眾多的領(lǐng)域已不能滿足其要求,所以在極限學習算法的基礎(chǔ)上,國內(nèi)外的研究人員相繼提出了眾多基于極限學習機的改進算法。例如,基于蟻群的極限學習機和基于粒子群的極限學習等。為此,本文提出了一種基于煙
2、花算法優(yōu)化的極限學習算法。并對此算法展開研究,闡述煙花極限學習機的理論及相關(guān)應用。
首先,本文對人工神經(jīng)網(wǎng)絡(luò)、單隱層神經(jīng)網(wǎng)絡(luò)和極限學習機算法的基本理論及原理進行了深入研究,介紹了幾種算法的公式推導和算法實現(xiàn)流程。在研究粒子群極限學習機原理的基礎(chǔ)之上,采用煙花算法優(yōu)化極限學習機的輸入權(quán)值。其原理如下:首先煙花算法經(jīng)過多次的迭代,確定M個最優(yōu)的煙花,并且以極限學習機測試樣本的RMSE作為煙花算法每次迭代的適應度函數(shù)。然后達到優(yōu)化極
3、限學習機輸入權(quán)值矩陣和隱含層偏差的效果。最后根據(jù)廣義逆求出輸出矩陣。
其次,在完成算法的基礎(chǔ)上,采用一維SinC函數(shù)和一維高斯函數(shù)對算法性能進行分析,并與極限學習機進行對比。例如,分析隱含層節(jié)點數(shù)目、迭代次數(shù)分別對算法性能的影響。最后得出結(jié)論,煙花極限學習機相比于極限學習機能夠以更少的隱含層節(jié)點個數(shù)達到更高的精度,在實際應用過程中節(jié)省了輸入節(jié)點所占用的空間。
然后,把煙花極限學習機算法運用到光伏發(fā)電輸出功率預測中,在
4、驗證煙花極限學習機算法的同時,也驗證了一種光伏發(fā)電輸出功率預測的可行性方法。本文采用某網(wǎng)站公布的澳大利亞某地區(qū)的一個光伏發(fā)電系統(tǒng)輸出功率及其相關(guān)的氣象數(shù)據(jù)信息。本文先對數(shù)據(jù)進行歸一化處理、數(shù)據(jù)異常值處理、數(shù)據(jù)值缺失處理,建立預測模型的訓練樣本和測試樣本。
最后,本文分別建立基于極限學習機光伏發(fā)電輸出功率預測模型、粒子群極限學習機光伏發(fā)電輸出功率模型和煙花極限學習機光伏發(fā)電輸出功率模型。在相同的隱含層節(jié)點數(shù)目的情況下對三種預測模
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于深度學習的極限學習機算法研究.pdf
- 極限學習機結(jié)構(gòu)優(yōu)化及其應用研究.pdf
- 極限學習機的研究與應用.pdf
- 基于集成學習的極限學習機的算法研究.pdf
- 灰色極限學習機預測算法研究.pdf
- 基于極限學習機的多示例算法研究.pdf
- 深度極限學習機的研究與應用.pdf
- 基于極限學習機的目標識別算法研究.pdf
- 基于深度極限學習機的K-SVD算法研究及其應用.pdf
- 基于粒子群算法優(yōu)化極限學習機的仿真機器魚策略.pdf
- 基于非平衡與在線學習的極限學習機算法研究與應用.pdf
- 極限學習機并行化算法及在NOx排放預測中的應用.pdf
- 基于極限學習機的選擇性集成學習算法研究.pdf
- 面向室內(nèi)火災監(jiān)控的極限學習機算法研究.pdf
- 基于序列數(shù)據(jù)獲取的改進極限學習機算法研究.pdf
- 極限學習機隱含層節(jié)點選擇算法研究.pdf
- 基于監(jiān)督聚類的極限學習機的增量學習算法研究.pdf
- 基于極限學習機的移動視覺搜索研究與優(yōu)化.pdf
- 基于集成極限學習機的神經(jīng)元分類算法研究.pdf
- 超限學習機的優(yōu)化改進及應用研究.pdf
評論
0/150
提交評論