《改进极限学习机模型预测的基本原理综述》3900字.docxVIP

改进极限学习机模型预测的基本原理综述

目录

TOC\o1-3\h\u9536改进极限学习机模型预测的基本原理综述 1

284461.1极限学习机理论 1

181461.2乌鸦搜索算法原理 4

6261.3乌鸦搜索算法收敛性能分析 5

1.1极限学习机理论

对网络训练有很多种方法，其中比较常用有前馈神经网络的方法，它是采用梯度降落原理进行的。[14-18]。梯度下降方法本身也存在一些使用范围，在使用风电功率数据样本对模型进行训练的过程中需要设置大量的网络参数,并且在反复迭代的过程中需要对网络的权值进行不断的更新变换，这就导致了学习机模型的计算速度变缓慢，并且学习机模型有一个缺陷就是存在陷入局部最优解，这样就会很大程度上影响了预测的精度。这些问题限制了模型的发展。为了得到更加符合实际风电功率的预测结果，必须要去降低前馈神经网络的缺点，因此本文引入了极限学习机模型。极限学习机模型有很多的优点，比如它的训练学习的能力很强，学习的速度比较快，映射的能力比较强。极限学习机有如上的优点，因此，极限学习机模型广泛的应用于各个领域，像风速预测、模式识别、寿命预测等领域都得到了广泛应用。

一个隐藏层的前馈神经网络的原理与极限学习机模型的原理大致相似，所以，单隐层前馈神经网络的结构展示图与极限学习机模型的结构展示图大体一致，如图2-1所示。从图2-1中