小世界理论在神经网络预测方法中的应用
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-12页 |
| 1 引言 | 第12-20页 |
| ·选题背景与研究意义 | 第12-13页 |
| ·国内外研究现状 | 第13-18页 |
| ·人工神经网络综述 | 第13-14页 |
| ·BP神经网络研究现状 | 第14-15页 |
| ·RBF神经网络研究现状 | 第15-16页 |
| ·小世界神经网络的研究现状 | 第16-18页 |
| ·小世界优化算法的研究现状 | 第18页 |
| ·本文的主要工作内容 | 第18-20页 |
| 2 多层前向小世界神经网络理论与建模 | 第20-28页 |
| ·小世界网络理论 | 第20-23页 |
| ·复杂网络的参数 | 第20页 |
| ·小世界网络的基本概念与结构特性 | 第20-23页 |
| ·多层前向小世界神经网络 | 第23-26页 |
| ·模型描述 | 第23-24页 |
| ·拓扑结构 | 第24-25页 |
| ·网络统计量分析 | 第25-26页 |
| ·本章小结 | 第26-28页 |
| 3 基于层连优化的新型多层前向小世界神经网络 | 第28-42页 |
| ·多层前向小世界神经网络的结构优化设计 | 第28-33页 |
| ·初始连接权值的选择 | 第28-29页 |
| ·权值修正策略的改进 | 第29页 |
| ·输入层的网络重构设计 | 第29-30页 |
| ·输出层的网络重构设计 | 第30-32页 |
| ·层内连接网络结构设计 | 第32-33页 |
| ·新型网络模型及训练过程 | 第33-35页 |
| ·改进网络模型的权值描述 | 第33-34页 |
| ·训练算法 | 第34-35页 |
| ·模拟实验与结果分析 | 第35-41页 |
| ·测试资料 | 第35页 |
| ·初始连接权值的选择对网络性能的影响 | 第35-37页 |
| ·改进后的权值修正策略对比 | 第37-39页 |
| ·神经网络拓扑结构的对比 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 4 小世界优化算法在径向基函数神经网络中的应用 | 第42-50页 |
| ·径向基函数神经网络 | 第42-44页 |
| ·RBF网络模型和基本结构 | 第42-43页 |
| ·RBF网络学习过程 | 第43-44页 |
| ·小世界优化算法 | 第44-48页 |
| ·小世界优化算法的基本原理 | 第45-46页 |
| ·基于实数编码的小世界优化算法 | 第46-48页 |
| ·小世界优化算法在RBF神经网络中的应用 | 第48页 |
| ·模拟实验 | 第48-50页 |
| ·实验资料 | 第48页 |
| ·实验结果及分析 | 第48-50页 |
| 5 基于小世界理论的神经网络风电功率实时预报系统 | 第50-64页 |
| ·风电功率预报技术简介 | 第50-52页 |
| ·基于神经网络的功率预测方法分析 | 第52-55页 |
| ·直接与间接预测方法 | 第52-53页 |
| ·多步预测方法的选择 | 第53-55页 |
| ·数据样本集的建立 | 第55-58页 |
| ·数据源 | 第55页 |
| ·孤立点处理 | 第55页 |
| ·相关性分析 | 第55-56页 |
| ·归一化处理 | 第56-58页 |
| ·训练及测试样本集的建立 | 第58页 |
| ·实时预报模型的建立 | 第58-64页 |
| ·神经网络结构的确定 | 第59页 |
| ·多层前向小世界神经网络风电功率预测 | 第59-60页 |
| ·基于小世界优化算法的RBF神经网络风电功率预测 | 第60-62页 |
| ·对比分析及误差评价 | 第62-64页 |
| 6 总结与展望 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简历 | 第70-72页 |
| 学位论文数据集 | 第72页 |
