首页--工业技术论文--电工技术论文--发电、发电厂论文--各种发电论文--风能发电论文

CEEMD下神经网络的短期风速预测研究

摘要第5-7页
ABSTRACT第7-8页
第一章 绪论第12-17页
    1.1 研究背景及意义第12页
    1.2 国内外研究现状第12-14页
    1.3 本文主要研究内容第14-15页
    1.4 文章组织结构第15-16页
    1.5 本章小结第16-17页
第二章 相关理论研究第17-31页
    2.1 引言第17页
    2.2 EMD算法第17-19页
        2.2.1 EMD算法基本原理及流程第18-19页
    2.3第19-20页
        2.3.1 EEMD算法的基本原理和算法流程第19-20页
        2.3.2 EEMD算法讨论第20页
    2.4 CEEMD算法第20-21页
        2.4.1 CEEMD算法的基本原理和算法流程第20-21页
    2.5 小波分解第21-25页
        2.5.1 小波去噪的基本原理第22-24页
        2.5.2 小波去噪的基本步骤第24-25页
    2.6 随机模糊不确定理论第25-30页
        2.6.1 可信性测度第25-27页
        2.6.2 随机模糊变量及期望值算子与乐悲观值第27-28页
        2.6.3 随机模糊模拟算法第28-30页
    2.7 本章小结第30-31页
第三章 基于CEEMD和ELM算法的风速预测第31-45页
    3.1 引言第31-32页
    3.2 ELM算法的相关理论基础第32-37页
        3.2.1 随机隐藏节点的单隐层前馈神经网络第32-33页
        3.2.2 ELM算法训练第33-37页
    3.3 风速预测的随机模糊过程第37-38页
        3.3.1 随机模糊过程第37页
        3.3.2 随机模糊过程风速预测步骤第37-38页
    3.4 CEEMD和ELM算法的风速预测模型第38-39页
        3.4.1 模型描述第38页
        3.4.2 模型风速预测步骤第38-39页
    3.5 实验结果分析第39-44页
        3.5.1 实验数据准备第39-40页
        3.5.2 实验结果第40-42页
        3.5.3 不同模型实验结果比较第42-44页
    3.6 本章小结第44-45页
第四章 基于CEEMD-WT和CNN算法的风速预测第45-62页
    4.1 引言第45页
    4.2 卷积神经网络第45-52页
        4.2.1 全连接反向传播第46-47页
        4.2.2 卷积层第47-49页
        4.2.3 子样本层第49-50页
        4.2.4 学习联合特征映射第50-51页
        4.2.5 增强稀疏性组合第51页
        4.2.6 卷积神经网络的训练步骤第51-52页
    4.3 基于CEEMD-WT和CNN算法的风速预测模型第52-55页
        4.3.1 模型描述第52-53页
        4.3.2 考虑属性特征的卷积神经网络第53-54页
        4.3.3 模型风速预测步骤第54-55页
    4.4 实验结果分析第55-61页
        4.4.1 实验数据准备第55-56页
        4.4.2 实验结果第56-58页
        4.4.3 不同模型实验结果比较第58-61页
    4.5 本章小结第61-62页
第五章 总结与展望第62-64页
    5.1 工作总结第62-63页
    5.2 未来展望第63-64页
参考文献第64-68页
致谢第68-69页
附录A 攻读硕士学位期间发表的学术论文第69-70页
附录B 攻读硕士学位期间参与的科研项目第70页

论文共70页,点击 下载论文
上一篇:噻呋酰胺、氟啶虫胺腈在铁皮石斛中残留动态及加工过程中残留变化规律研究
下一篇:锂离子电池电解液中杂质对铜集流体腐蚀的第一性原理研究