针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Mem...针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Memory,LSTM)网络的动态预测模型。该方法先对风速序列进行模糊信息粒化,提取出粒化后数据的最大值 (区间上界)、最小值(区间下界)和平均值。其次采用ADAM算法优化的LSTM网络对各粒化数据进行动态建模,得到能描述风速波动性的区间预测结果和点预测结果。算列表明,所提动态模型的预测效果比其它基本模型的预测效果更好。展开更多
针对误差逆向传播 BP ( back propagation)神经网络在 GNSS 水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu( rectified linear units)作为神经元激活函数,自适应矩估计Adam ( adaptive momen...针对误差逆向传播 BP ( back propagation)神经网络在 GNSS 水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu( rectified linear units)作为神经元激活函数,自适应矩估计Adam ( adaptive moment estimation)算法作为网络优化函数,提出了一种基于深度学习的 BP 神经网络模型。研究结果表明:改进后的 BP 神经网络内外符合精度分别提高近 50%和 25%,可达 0. 9 cm 和 2. 4 cm,为 GNSS 水准拟合提供了新的思路。展开更多
文摘针对误差逆向传播 BP ( back propagation)神经网络在 GNSS 水准拟合中存在梯度消失、陷于局部最小点的问题,通过使用深度学习中的分段线性整流函数Relu( rectified linear units)作为神经元激活函数,自适应矩估计Adam ( adaptive moment estimation)算法作为网络优化函数,提出了一种基于深度学习的 BP 神经网络模型。研究结果表明:改进后的 BP 神经网络内外符合精度分别提高近 50%和 25%,可达 0. 9 cm 和 2. 4 cm,为 GNSS 水准拟合提供了新的思路。
