异因同果关联神经网络的建模与应用

论文摘要

本论文在研究了组合神经网络的发展现状的基础上，结合实际生产生活中所遇到的问题，提出了一种新型组合神经网络——异因同果关联神经网络，它可以从不同角度分别建立不同的模型，并山其得到互不相同的模型预测值。异因同果关联神经网络模型将不同角度建立的模型有机结合起来，进而能够将多个神经网络模型的作用进行综合考虑，得到一个综合的统一的模型预测结果。文中研究了神经网络集成的原理和发展现状，进而对组成子网络BP网络进行改进和优化，并将仿真结果进行比较，同时文中研究了异因同果关联神经网络模型的机理，结合实例进行仿真并与传统的神经网络模型的预测仿真结果比较，结果表明新型模型具有更高的预测精度。在提出异因同果关联神经网络后，本文进而从以下几个方面继续研究和改进新型关联网络模型的性能：1、改进单个子网络的性能采用应用最为广泛的BP神经网络作为主要子网络，在综合国内外BP网络研究现状的基础上，分析BP网络的网络结构和原始算法，研究其学习过程并分析其优缺点所在，从启发式和加入数值优化技术两个方面对BP算法进行改进，并通过仿真对比说明了各个改进算法的性能特点和优缺点。2、组合神经网络模型的优化在研究分析了当前神经网络集成的成果和现状的基础上，针对搭建组合神经网络整体模型当中面临的各个环节：分析了样本选取的原则、样本个数的确定、样本的预处理等样本选取优化方案；研究了组合神经网络建模时的个体生成优化和输出合成优化方案；说明了神经网络模型在建立时隐层层数的确定、隐层节点数的确定等网络结构方面的优化。3、新型模型的实际应用将异因同果关联神经网络模型具体应用于电力负荷短期预报中，相比较以往的神经网络预测方法，结果表明新型网络模型在泛化能力、运算速度、预测精度等方面具有良好性能。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 课题研究背景
• 1.2 目前组合神经网络的研究内容和研究现状
• 1.2.1 组合神经网络的概念和应用背景
• 1.2.2 组合神经网络的研究现状
• 1.3 BP子网络的选用原因及其研究现状
• 1.3.1 BP人工神经网络的选用原因
• 1.3.2 BP算法的研究现状
• 1.4 本论文的主要研究内容
• 第二章 异因同果关联神经网络
• 2.1 引言
• 2.2 单一神经网络的局限
• 2.3 异因同果关联神经网络模型
• 2.3.1 异因同果关联神经网络模型的提出
• 2.3.2 异因同果关联神经网络模型网络结构
• 2.3.3 异因同果关联神经网络模型学习算法
• 2.3.4 新型神经网络的特点
• 2.4 应用实例及其仿真
• 2.5 结论及结果分析
• 2.6 小结
• 第三章 子网络算法的研究和改进
• 3.1 引言
• 3.2 基于误差梯度下降的BP算法
• 3.2.1 网络的拓扑结构
• 3.2.2 网络的算法
• 3.2.3 网络的学习过程
• 3.2.4 传统算法的缺点
• 3.3 BP算法的改进
• 3.3.1 启发式改进 BP算法
• 3.3.2 加入数值优化技术的BP算法
• 3.4 各种快速 BP算法的对比仿真研究
• 3.5 小结
• 第四章 异因同果关联网络模型的优化建立
• 4.1 引言
• 4.2 样本的选取和处理
• 4.2.1 样本选取的重要性
• 4.2.2 训练样本的选择原则
• 4.2.3 训练样本数的确定
• 4.2.4 输入输出数据的预处理
• 4.3 泛化能力问题
• 4.3.1 泛化能力问题描述
• 4.3.2 解决方案
• 4.4 组合神经网络的个体生成和输出合成优化
• 4.4.1 新型网络的集成分解
• 4.4.2 个体网络的生成方法
• 4.4.3 结论生成方法分析
• 4.5 神经网络结构确定
• 4.5.1 隐层数目
• 4.5.2 网络的算法
• 4.6 小结
• 第五章 在电力负荷短期预报中的应用
• 5.1 引言
• 5.2 问题描述
• 5.3 样本选取和划分
• 5.4 建立模型
• 5.4.1 实际输入/输出向量设计
• 5.4.2 子网络结构的优化确定
• 5.4.3 个体网络训练
• 5.5 异因同果关联模型预测
• 5.6 小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读学位期间发表的学术论文目录
• 致谢