神经网络中偏置的作用范文

导语：如何才能写好一篇神经网络中偏置的作用，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。

神经网络中偏置的作用

篇1

Abstract: According to ANN theory and method, a BP neural network model for tourism security early warning was built. The result shows that the application of BP neural network in tourism security early warning is feasible. This model possesses strong functions of study, association and fault tolerance, moreover, both its analysis results and process approach the metal process and analysis method of human brain, which greatly improves the accuracy for tourism security early warning.

关键词：人工神经网络；旅游安全；预警系统

Key words: artificial neural network；tourism security；early warning system

中图分类号：TP31 文献标识码：A文章编号：1006-4311（2011）18-0158-01

0引言

旅游业在世界范围内已成为最重要的产业之一，占全球GDP 份额已超过10%，随着人们生活水平的提高和旅游资源的开发利用，旅游业正逐渐成为我国一些地区的“支柱产业”和“新的经济增长点”，但是旅游者在旅游过程中遭遇到各种灾害性事故的频率也有较大幅度的提高，因此旅游安全预警势在必行。人工神经网络方法比传统线性方法具有以下突出的优越性：所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；神经网络具有高度的并行结构和并行实现能力，具有高速寻找优化解的能力，能够发挥计算机的高速运算能力，可能很快找到优化解；神经网络模拟人的思维是非线性的，这一特性有助于处理非线性问题；通过对过去的历史数据的学习，训练出一个具有归纳全部数据的特定的神经网络，自学习功能对于预测有特别重要的意义。在神经网络模型中，BP人工神经网络是当前最具代表性和应用最为广泛的一种神经网络，其结构简单，工作状态稳定，易于实现，是通用性和适应性较强的网络，已在多个领域中得到初步的应用[1-2]。因此应用BP神经网络对旅游安全预警系统进行了研究。

1旅游安全预警的神经网络模型

BP网络算法即逆向传播学习算法（back propagation learning algorithm）由输入层、输出层和若干隐层组成。当信号输入时，先传到隐层神经元，经神经元作用函数转换后，再把信号传播到输出神经元，经过处理后输出结果。BP人工神经元网络通过对许多简单神经元作用函数的复合来逼近输入、输出之间的映射，它是一种快速下降的迭代方法，目的是使实际输出和预期样本输出之间的均方差最小化。影响旅游安全预警的主要因素可归纳为旅游地灾害频度、出游设施安全度和旅游地区域安全度3大类。具体分为以下3类10个子因素，包括主客文化冲突潜在指数、居民消费价格指数上涨率、暴发瘟疫性疾病的频率、交通路况安全度、社会治安稳定度、社会实际失业率、地震地质灾害发生频率、水文气象灾害发生频率、旅游设施使用饱和度、政治稳定度。

研究中，将10个子因素作为输入向量，数据来源于文献[2]，一般来说三层神经网络可以逼近任何函数关系，因此本文采用三层网络，在训练前馈网络之前，权重和偏置必须被初始化，初始化权重和偏置的工作用命令init来实现，这个函数接收网络对象并初始化权重和偏置后返回网络对象。隐含层神经元的确定没有统一的方法，这里采用试错法，经过反复训练确定隐含层为7个神经元，输出向量为1个神经元，期望值1、2、3、4分别代表旅游安全的4种状况：优秀、良好、合格和恶劣。目前传统神经网络面临的难题是学习时间较长，特别是大规模神经网络学习时间太长，令人难以忍受；很容易陷入局部极小值，常常收敛于局部最优解。因此采用改进BP算法的神经网络，RPROP是权重和阈值更新值的直接修改，它和以学习速率为基础的算法相反，RPROP引入Resilient（有弹性的）更新值的概念直接修改权步的大小，和最初的反传算法比较，在计算上仅有少量的耗费。

2结果

现有样本数目共40个，利用它们训练神经网络，为了验证模型的有效性，精度检验时每次抽取39个样本，用剩下的1个进行检验，得到该模型的使用精度93.2%；结果说明该模型预测精度较高，可以较好地满足旅游安全预警系统的需要。

3结论

为了满足我国旅游业未来发展的需要，在处理应急旅游安全突发性事件时，需要必要的事前预警和相关的知识储备，运用修正的BP网络建立旅游安全的预警系统，提高了网络的收敛速度和学习训练的效率，一定程度上克服了一般方法的主观性，通过合理地期望输出的选取并以此来划分等级，能够客观地反映旅游安全的真实情况，保证了结果的客观性。综上所述，BP网络用于旅游安全的预警系统构建有很大的优越性，值得进一步探索。

参考文献：

篇2

关键词：BP神经网络动量因子法变步长法学习速率

1.引言

人工神经网络（Artificial Neural Networks，ANN）是通过对人脑神经元建模、联结模拟生物脑或世界系统的网络模型，是一种具有学习、记忆和模式识别等智能信息处理功能的人工系统。通常研究和使用的十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART网络模型。其中的BP神经网络是基于反向传播（BackPropagation）的网络，也是神经网络领域中研究最多、应用最广的网络模型。它采用最小均方差的学习方式，可用于函数逼近及语言综合、识别和自适应控制等。

2.标准BP神经网络算法

BP算法作为前馈网络的主要学习算法，对神经网络的推广应用起了举足轻重的促进作用。标准的BP网络，优化计算的方法很多，比较典型的是采用一阶梯度法，即最速下降法。在BP神经网络训练中，主要是针对一定的输入，所得到的输出是否与期望输出接近，即误差的代价函数达到最小。其简单的实现步骤为：（1）通过网络输入反向传播；（2）通过网络将敏感性反向传播；（3）使用近似均方误差的BP算法更新权值和偏置值。

标准的BP算法因具有简单、易行、计算量小及并行性强等优点，是目前神经网络训练采用最多、最成熟的训练算法。由于BP网络中待寻优的参数太多，往往导致算法收敛速度慢。对于复杂问题，训练过程需迭代几千、几万次才能收敛到期望的精度。因此，标准的BP网络在很大程度上实用性不强，尤其对于实时性很强的系统而言。

3.BP算法的改进

BP多层前馈网络已成为神经网络的重要模型之一，但实际上的BP多层前馈网络并不是利用标准的BP算法对网络进行训练的，而是对BP算法进行了启发式改进。

（1）增加动量因子法

BP算法的神经网络的误差曲面具有不同的区域有不同的误差改变率的特点。假若开始训练的学习速率较高，那么算法的收敛速度可能很快。但当迭代进入的区域包含极小点时，此时算法发散，来回振荡，收敛不到极小值点。如果用平均改变参数的方法进行轨迹的过滤，就可以对震荡进行平滑并可产生稳定的轨迹。当动量滤波器的参数得到了改变，获取反向传播的动量，使用了动量项，可以在保证算法较为稳定的前提下，在网络训练进入局部最小值时产生一个继续向前的正向斜率运动，使得搜索能够跳出较浅的峰值；当网络搜索位于误差曲面平坦区的区域时，该方法能够较快地提高训练速度。

（2）变步长法

变步长法通过调整网络训练的学习率，故也称为可变学习速率的方法。BP算法中对连接权值的调整，取决于两个因子，即学习速率和梯度。其中通过调整学习速率提高算法收敛收率的方法，是当前认为最简单、有效的方法。学习率不能随意选取，选得太小，收敛会变慢；选得太大，可能调整过多，使得算法振荡或发散。所以，在对学习率进行调整时，一般遵循的准则是：首先检查修正值，看该值是否明显降低了误差。如果降低了，则学习率的值选取偏小，可以作为对学习率调整的参考；否则，学习率值调整过大，就应该对该值进行减小。增加可变速率参数后，得到改进的BP算法如下：

①如果整个训练集上的均方误差权值在更新后增加的，且该值超过了预设的某个百分数，如：1%～5%，则不对权值进行更新。学习速率被乘以一个大于零且小于1的因子，并且动量系数被设置为0。

②如果均方误差在权值更新后变小了，则接受权值更新。学习速度将被乘以一个大于1的因子。假若学习率被设置为0，则恢复之原来的值。

③如果均方误差的增长变小，则权值更新被接受，但学习速度保持不变。如果学习率过去被设置为0，则恢复到以前的值。

4.实验结果

分别对目标误差为0.001的网络训练。实验结果如下：

（1）采用标准BP网对样本进行训练，迭代次数近5000次尚未收敛。

（2）采用增加动量法，迭代375次，学习过程收敛。

（3）采用变步长法，迭代1728次收敛。

由此可见，未改进的标准BP学习算法存在收敛速度慢的缺陷；改进后的BP学习算法都从不同程度上提高了算法的收敛速度，训练的次数大大减小了。对BP算法采用启发式改进措施后，明显提高了学习速度。

篇3

〔关键词〕电子商务；销售能力；评价体系；遗传算法；BP神经网络

DOI：10.3969/j.issn.1008-0821.2013.10.027

〔中图分类号〕F724.6〔文献标识码〕A〔文章编号〕1008-0821（2013）10-0120-04

根据中国互联网信息中心数据显示，截至2012年12月，我国网络购物用户规模达到2.42亿人，网络购物使用率提升至42.9%。在“十二五”规划明确要积极发展电子商务后，国家对企业进入电子商务市场扶持力度的不断加大，加之企业自身意识的提升以及电子商务运营商新型政策的出台等原因，促使电子商务行业蓬勃发展以及传统企业互联网化程度的不断加深。根据易观国际2012年7月的研究报告显示，2012年第2季度中国网上零售市场交易规模达到2 788亿元，环比增长27.4%，同比增长45%。其中B2C交易额988.4亿，逼近千亿。由此可以看出，相比传统购物模式，网络购物在时间、地域以及商品选择等方面都具有很大优势，网络购物的方便快捷特点，使其受到越来越多的关注，并逐渐成为人们生活中不可或缺的一部分。网购用户的迅猛增长为网络购物市场带来广阔的发展前景，与此同时也带来了电子商务领域日趋激烈的竞争。对于电子商务的企业而言，进行生产或提供服务的最终目的都是诱发消费者的购买行为，如何让自己的产品在激烈竞争的市场中获得优势是至关重要的问题。因此，全面分析电子商务中产品销售能力影响因素间的关系，构建产品销售能力评价体系，对企业把握自身产品的竞争优势，争取利润，制定有效的生产计划，提高竞争力具有重要的现实意义。

随着电子商务的迅猛发展，针对网络消费的分析和研究也越来越多。文献[1]介绍了电子商务条件下影响消费者购买行为的个人以及环境因素。文献[2]分析了网络团购条件下消费者购买选择行为偏好的影响因素。文献[3]针对电子商务卖家的激烈竞争环境，提出了电子商务环境下卖家可以采取的5种具体竞争战略。

尽管国内外有关电子商务的研究已经成为近几年的学术研究热点，但是相对而言，大多数的研究都集中在对于网络环境下消费者的消费心理以及影响其购买行为因素等方面，对电子商务产品销售能力的研究没有进行深入探讨，也没有形成关于产品销售能力的全面评价体系。针对电子商务中产品销售能力的分析是一个信息不完全的复杂多因素综合决策问题，运用定性和定量相结合的系统分析方法，研究电子商务中产品销售能力的评价指标体系。采用遗传算法优化BP神经网络评价方法对电子商务产品销售能力进行评价，提高了评价结果的科学性和合理性，以利于电子商务企业在产品营销策略中做出正确的决策。

科学合理地构建电子商务产品销售能力的评价指标系统，是正确评价电子商务产品销售能力的前提和基础。因此，对电子商务产品销售能力的分析原则上应能科学、全面、客观和公正地反映其真实的内涵和水平。本文试图通过对影响电子商务产品销售能力的因素进行分析和整合，从定性和定量相结合的角度，由电子商务中产品的销售策略因素、产品特性因素、产品的交易因素、产品服务与信誉机制因素4个一级指标以及与之相关的16个二级指标来建立电子商务产品销售能力的评价指标体系（见表1）。

表1电子商务产品销售能力的评价指标体系[4-6]

一级指标1二级指标1指标说明产品销售策略因素1产品广告投入1定量；广告投入/成本产品促销力度1定量；促销投入/成本互动营销方式的开展1定量；一年内卖家互动营销，体验营销的开展次数。整合网络营销的进行1定量；整合网络多种营销推广投入/成本产品特性因素1性能/价格比1定性；单位付出所购得的商品性能品牌价值1定性；反应人们对产品综合品质的评价和认知质量水平1定性；反应产品成功满足用户的需要程度市场占有率1定量；产品的市场占有率产品交易因素1销量1定量；最近一个月内产品的销售数量产品配送力度1定量；物流的平均配送时间交易的安全性1定性；买家交易过程中的安全性顾客好评率1定量；顾客对产品的好评率产品服务与

信誉机制因素1产品信息提供1定量；反应卖家对产品完整、无偏差信息提供程度的评分卖家服务水平1定量；反应卖家服务质量的评分消费者保障机制1定量；是否支持消费者保障、产品退货换货等服务卖家信誉度1定量；反应卖家信誉的评分

1.1电子商务产品的销售策略

在电子商务卖家激烈竞争的环境里，产品的销售一直是企业所围绕的话题，销量无疑是卖家的最终追求。提高企业产品的知名度以及打造产品的品牌效应，让企业的产品或品牌深入到消费者心坎里去，让消费者认识产品、了解产品、信任产品到最后的依赖产品是电子商务企业产品销售策略最直接的体现。因此，电子商务产品的销售策略是产品销售能力至关重要的因素。

1.2电子商务产品特性

网络购买相对于传统的购买来说，是发生在一个新的购买环境里，并且具有产销活动无时空限制、个性化和共享性突出等显著特征[7]，消费者只能凭借有限的信息来了解物品，无法亲身体验物品。因此，在网络消费环境下，产品的性价比、品牌价值、质量以及市场占有率对其销售能力的影响也就显得更为重要了。

1.3产品交易

由于网上交易的虚拟性，交易过程中买卖双方通常是处在非面对面环境中[8]，在信息不对称和不完全的条件下，除了商品的销售量外，消费者往往更有可能通过在线评论去信任其他消费者，尤其是已购买者提供的经验信息。此外，网上购物无法提供像现场购物那样的安全放心的交易，交易本身的安全性以及物流的配送力度很大程度上影响着消费者的购买决策。

1.4产品服务与信誉机制

由于互联网络的开放性、虚拟性、数字化等特征，网络购物与传统购物模式相比，消费者感知到的风险会比较大[9]，消费者无法进行实物商品的体验，因而增加了购买的不确定性。所以，对卖家而言，完整、无偏差的产品信息提供与消费者之间无障碍的沟通有利于引导消费者的购买。同时，健全的消费者保障机制以及良好的信誉度也是提升卖家竞争优势的关键所在。

2电子商务产品销售能力评价方法

由于层次分析法、灰色评价法以及模糊综合评价法等常见的评价方法都依赖专家打分来确定权重，难以避免其评价过程中的主观随意性。神经网络具有高速信息处理的能力以及很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想存在于记忆中的事物的完整图像[10]。利用神经网络并行分布、自组织适应、收敛性和容错性的优势，结合定性与定量分析，能够有效的适应电子商务产品销售能力这类多因素和不确定性问题。针对标准的BP神经网络存在着收敛速度慢和容易陷入局部极小值的问题，采用遗传算法对BP神经网络网络进行优化，将优化后的神经网络用于电子商务产品销售能力评价中，能够较好的保证评价结果的客观性。

2.1遗传算法（GA）

遗传算法（Genetic Algorithm，GA）是一种基于自然选择和基因遗传机理的全局搜索算法，算法以生物界的进化规律为参照，通过模拟自然界进化来寻找最优解。遗传算法将生物界“优胜劣汰、适者生存”的进化原理引入到待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选[11]，从而产生新一代群体，并通过给定的适应度值来决定种群中个体的去留，最终使群体进化到包含或接近最优解的状态。基本遗传算法的流程如图1。

1图1基本遗传算法的流程图1

2.2基于遗传算法优化BP神经网络模型

遗传算法的全局优化、自适应以及概率搜索等特点使得它能够对目标函数空间进行多线索的并进式搜索，能够弥补BP神经网络连接权值和阈值选择上的随机性缺陷。本文利用遗传算法来优化BP神经网络的权值和阈值。通过建立染色体编码长度与神经网络连接权值之间的映射，使神经网络中连接权值和偏置值的个数与编码的长度一致，并使用神经网络误差的倒数作为适应度函数。基于遗传算法的BP神经网络初始权值优化步骤如下：

（1）初始化BP网络结构。初始化神经网络各层间的连接权值、阈值，并将它们顺序级联，构成初始的染色体组；

（2）设定网络误差函数的倒数为染色体的适应度函数，并计算每个染色体的适应值；

（3）根据个体适应度大小，选出适应度高的个体，并按一定的交叉概率和变异概率产生新的个体，并计算它们的适应度；

（4）考察种群中染色体的适应度或当前循环次数，如果满足结束条件，得出适应度最大的个体，作为BP网络的初始权值和阈值，否则，转至步骤（3）；

（5）用（4）得到的权值和偏置对神经网络进行训练。

3评价模型的建立

3.1电子商务产品销售能力评价指标预处理

在电子商务产品销售能力评价指标体系中，同时存在定性指标和定量指标，为了增加各指标间的可比性，必须对各指标进行处理。由于定量指标的衡量单位和级差各不相同，所以必须对其进行规范化和趋同化处理，具体处理方式如下：

x（t）=x（t）-xmin1xmax-xmin

式中，x（t）表示预处理后的数据，xmax和xmin分别为评价系统区域范围内某项指标的最大值和最小值。经过数据预处理后，数据范围在[0，1]区间中。

对于定性指标，因为不能直接量化，可以通过模糊综合评价的方法，确定各指标对于“电子商务产品销售能力高低”这个模糊集的隶属度，以指标的隶属度作为神经网络的输入值。确定其隶属度的具体做法是：设xi是定性评价指标，V=（v1，v2，…，vn）是其对应的评价集，U=（u1，u2，…，un）为评价集V对应的权重，xi相对于评价集V的隶属度向量ri=（ri1，ri2，…，rin）可以通过专家评价或者问卷调查等方法来确定。根据模糊矩阵合成法B=U·ri便可计算出定性指标在给定标度U下的量化值了。在电子商务产品销售能力定性评价指标体系中，指标对于“电子商务产品销售能力”的模糊评价集为（差、一般、中等、好），相应的权重为B=（1，0.7，0.4，0.1）。

3.2电子商务产品销售能力评价模型结构的确定

（1）网络的层数。根据Kolmogorov定理，在不限制隐含层节点数的情况下，三层BP神经网络充分学习后能够实现任何非线性映射，因此构建三层结构的BP神经网络。

（2）网络的节点数。电子商务产品销售能力的评估是一个模式识别问题，网络的目标是根据输入参数给出产品销售能力评价的综合指数。由于输入向量包含16项指标，故输入层应包含16个节点，输出层只有一个输出节点，输出电子商务产品销售能力评价的综合指数。隐含层节点数的设计参考经验式：J=entn+m+a。式中，ent为取整函数，n和m分别表示输入层、输出层神经元的个数，a为1～10之间的常数。根据试算比较，本文最终确定隐含层节点数为11。

（3）确定隐含层、输出层传递函数关系以及训练函数。网络隐含层传递函数采用双曲正切函数tansig，输出层传递函数采用对数函数logsig，训练函数为LM（Levenberg-Marquardt）算法（trainlm）。

（4）设定遗传算法的种群规模为30，最大进化代数为800，选择概率为0.8，交叉概率为0.5，变异概率0.05。

4结论

随着互联网的高速发展，网络交易模式逐步被人们所接受并应用，网络购物的方便快捷、便宜、降低消费成本等优势，使其越来越受到消费者的欢迎。对网络交易中的供应商而言，准确分析和判断其产品的销售能力是提高自身竞争优势的重要环节。因而，对电子商务产品销售能力的评价是一个综合系统的动态过程，需要设计全面的评价指标体系并对其进行综合评价。本文在分析了电子商务产品销售能力构成的基础上，利用基于遗传算法优化BP神经网络的评价模型，来评价电子商务产品的销售能力。通过结合遗传算法多点搜索的全局寻优能力和BP神经网络算法的局部搜索优势，能够有效的避免网络陷入局部最优，同时保证了评价结果的准确性，对电子商务产品销售能力的评价有助于供应商准确地了解产品属性及其竞争优势，对设计产品、制定营销策略和完善商家服务体系具有指导作用。

参考文献

[1]陈慧，李远志.电子商务条件下消费者购买决策影响因素探析[J].北京邮电大学学报：社会科学版，2007，9（2）：1-4，24.

[2]宁连举，张莹莹.网络团购消费者购买选择行为偏好及其实证研究——以餐饮类团购为例[J].东北大学学报：社会科学版，2011，13（5）：404-409，415.

[3]薛有志，郭勇峰.C2C电子商务卖家的竞争战略研究：基于淘宝网的分析[J].南开管理评论，2012，15（5）：129-140.

[4]郭赞伟.网络消费及其影响因素：基于中国数据的实证研究[D].长沙：湖南大学，2010.

[5]周毅.网络购买决策关键影响因素挖掘研究[D].上海：东华大学，2011.

[6]郑小平.在线评论对网络消费者购买决策影响的实证研究[D].北京：中国人民大学，2008.

[7]李远志.北京大学生网络消费决策影响因素的实证研究[D].北京：北京邮电大学，2008.

[8]李瑞轩，高昶，辜希武，等.C2C电子商务交易的信用及风险评估方法研究[J].通信学报，2009，30（7）：78-85.

[9]孙曙迎.消费者网络信息可信度感知影响因素的实证研究[J].北京理工大学学报：社会科学版，2008，10（6）：50-54.

篇4

关键词：图像分类；深度信念网络；特征提取

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2017）07-0173-02

随着社会的不断进步，图像已经成为重要的信息来源。而图像分类是图像处理中的一项重要工作，尤其对海量图像进行分类并提高其准确度，是当前图像处理领域中要解决的关键问题之一，包括张旭、付仲良x、Mariusz Myllarczuk等在内的许多研究者在图像处理方面做了大量研究。深度信念网络是一种典型的深度学习算法，目前，已有很多研究者将深度信念网络应用于图像分类中，可以用于多特征融合及深度信念网络进行了植物叶片识别、深度信念网络识别了手写数字、深度神经网络在小图像分类中的应用等。

传统的岩石图像分类是人工提取特征的，具有一定的主观性并且效率低下，而深度信念网络能自动提取图像的特征，克服了人工提取的不足，为图像分类奠定坚实的基础，可用于大量图像的分类并具有较高的准确度。

1受限玻尔兹曼机（RBM）

1.1受限玻尔兹曼机简介

受限玻尔兹曼机可看作一个两层的神经网络，遵循神经网络的一般特性。相比于传统玻尔兹曼，RBM的特点是层间神经元全连接，而层内神经元无连接。它的结构如图1；

如图1所示，RBM结构由可见层v和隐含层h构成，并且是对称结构。在一个RBM中，给定可见层，隐含层可以服从任意分布；相反地，给定隐含层，可见层也可服从任意分布。

1.2训练受限玻尔兹曼机

1.2.1神经元之间的独立性

在RBM中，只有层间的对称连接，故，若给定所有可视层节点的值，则每一个隐藏层节点的取值是互不相关的，即，反之亦然，即。

1.2.2RBM的使用

正向传递过程：

假设已经训练好一个可使用的RBM，权重矩阵为w。正向传递是在已知可见层节点值的条件下求隐含层节点开启的概率。同普通神经网络一样，首先计算出每个隐含层节点的激励值。如图2所示，以含有4个可见层节点、3个隐含层节点的RBM为例。每个可见层节点值x与其对应的权重相乘，之后将这四个值（共四个输入）相加后再与偏置6相加，以此作为该隐藏层节点的输入，最后在该隐藏层节点上通过激励函数的作用得到其输出a。

然后，标准化每个隐层节点的激励值。具体操作是用式1所示的sigmoid函数作用于该激励值，将之转化为0到1之间的数，并用该值表示隐层节点开启的概率。

（1）

最后，抽取[层节点。将计算出来的隐层节点开启概率与设定的u值进行比较，最终决定隐元开启或关闭，如式2，其中u值是从0，1分布中随机抽取的。

（2）

反向传递过程：

RBM最显著的性质就是无监督地重构数据，即在可见层与隐藏层之间进行多次正向传递和反向传递，而不加大网络深度。反向传递是对前一次正、反向传递后可见层结果的重构过程。

如图3所示，反向传递过程是在已知隐含层的条件下求可视层，将正向传递之后隐层节点的结果作为输入，如正向传递过程一样，这些输入值又与同样的权重相乘之后再相加，然后再与可见层的偏置相加，所得结果即为重构值。

在RBM中，正向传递是通过初始值预测隐藏节点的值；反向传递则是通过隐藏节点的值重构可视层节点值。通过重构值与真实数据的对比为标准调节权重，使重构值尽可能接近真实值，以此来提取原始数据的特征。

1.2.3对比散度算法训练RRM

对于RBM来说，其训练过程便是求得合适的层间权重。具体操作是通过多次正向传递和反向传递过程，得出可见层与隐藏层之间的联合概率，将之作为连接权重。

目前常用的RBM训练方法是G-hinton提出的对比散度（CD）算法，其训练过程如下：

对于训练集中的一个样本，将之输入到可见层口（0），使用式（1）计算每个隐层单元开启的概率，并用上文方法从中抽取出样本h（0）。

使用h（0）重构出可视层并抽取出样本v（1）。

再使用计算出隐层单元的开启概率。并按式3更新权重；

（3）

重复上述步骤直到训练完所有样本。

2深度信念网络（DBN）

2.1深度信念网络简介

深度信念网络是由G_hinton在2006年提出的一种深度学习算法，它能较为快速、准确地提取样本的本质特征，可用于数据的分类与识别，克服了传统方法中人工提取特征的盲目性以提高精度。其结构可看作是若干个RBM的叠加，以三层DBN（两个RBM叠加而成）结构为例，其中RBM1的隐藏层可看作是RBM2的可视层。每个RBM的训练方法同普通RBM一样。

2.2DBN的训练

DBN中前一层的输出作为后一层的输入。其训练过程是采取贪心算法的思想分层进行的，即从输入层开始，先训练好一个删，将其权重固定，将第一个RBM的输出作为第二个RBM的输入训练好第二个RBM固定权重后，将之叠加在第一个RBM之上，依次类推，直到网络最后一层。如此训练之后，使用wake-sleep算法对整个DBN进行进一步调优。

在图像分类中，是将DBN最后一层的输出连接到普通分类器中实现的。可对其进行如下调优：在训练完所有RBM之后，对整个网络使用梯度下降法调整权重，此时，网络就看作是一个普通神经网络。

3DBN的应用

使用DBN进行图像分类一般包括图像预处理、DBN建模、使用训练集数据训练DBN模型、最后使用测试集进行测试几个步骤。建模及训练方法上文已详细介绍，下面主要介绍数据集预处理过程。

数据集预处理首先是通过降采样等方法将图像大小调整至适合网络训练的规格。假设图像为大小为28*28，那么网络输入层就需要28*28个节点。其次是采用数据归一化和白化等操作对图像进行去燥和去冗余操作。最后将数据集分为训练集和测试集两部分。

数据集预处理之后，使用训练集数据进行网络的训练。首先是DBN的分层训练，然后是将分类器连接到DBN上通过梯度下降法进一步调整网络，直到满足要求。网络训练好后便可通过DBN自动提取特征，再将此特征输入到普通分类器中对测试集数据进行分类。

目前DBN已成功应用于图像识别领域，如林妙真将其应用于人脸超分辨图像识别，并分别在不同的表情、分辨率及不同姿态下都取得了较好的识别率，通过实验均取得了较好的结果，证明了DBN在图像分类中的可靠性。

篇5

摘要：结合Bandelet变换和神经网络的各自特点，提出了一种基于脉冲耦合神经网络(Pulse Coupled Neural Networks，PCNN)的新的识别方法。该方法将金属断口图像输入到PCNN中，像素激发引起神经元激发，发生点火，产生脉动序列输出，得到输出图像的神经元点火序列及熵序列作为断口识别分类的特征。该方法将PCNN引入到金属断口的识别研究中，开拓了金属断口模式识别的新领域，同时对于PCNN的理论研究和实际应用具有现实意义。

关键词：脉冲耦合神经网络断口识别神经元点火序列熵序列

0 引言

金属断口图像的模式识别与分类是进行断裂故障智能化分析的关键性问题。金属断口图像的识别研究已经取得一定成果，但识别的种类有限，识别率也有待于提高[1-3]。文献[4]提出利用小波变换等方法提取出的能量、L1范数和熵等特征，然后利用神经网络进行分类器设计的方法，取得了较好的识别效果，能够解决典型断口图像的识别问题。但在识别的过程中都需要学习，训练，而这些要求有大量的断口来保证学习和训练的质量，基于此，提出了一种新的断口图像的识别方法：将脉冲耦合神经网络应用到断口识别当中去。晒侗鸬闹掷嘤邢蓿侗鹇室灿写谔岣1-3]。文献[4]提出利用小波变换等方法提取出的能量、L1范数和熵等特征，然后利用神经网络进行分类器设计的方法，取得了较好的识别效果，能够解决典型断口图像的识别问题。但在识别的过程中都需要学习，训练，而这些要求有大量的断口来保证学习和训练的质量，基于此，提出了一种新的断口图像的识别方法：将脉冲耦合神经网络应用到断口识别当中去。

20世纪90年代，Eckhorn提出了脉冲藕合神经网络的定义。它是借助猫的视觉原理构建的简化神经网络模型，与BP网络和Kohonen神经网络相比，PCNN无需训练、学习，就能在复杂的背景下提取所需信息，具有同步脉冲发放和全局耦合的特点，在信号形式及处理机制更符合人类的视觉神经系统生理学基础。

因此在断口数量较少的情况下，将断口图片输入到PCNN中进行迭代处理，得到由PCNN输出描述图像信息的熵值序列、点火时间序列、特征时间序列；再根据点火时间序列的距离阈值判断断口差别；最后通过欧式距离的大小直接进行断口的识别。实验结果表明，该方法在断口识别方面能取得良好的效果。

1 基于PCNN的断口识别模型

1.1 PCNN基本原理

PCNN的基础是Eckhorn的连接域模型[5]。PCNN神经元模型主要由接受域、调制和脉冲产生三个部分构成。

接收部分接收到来自其他神经元与外部的刺激输入后,利用链接输入通道L或馈送输入通道F来完成传输。这两条通道，前者主要是对相邻神经元输出脉冲进行局部抽样,一般情况下链接接收域的半径极小。而相比之下，F通道会随着时间的延续对脉冲响应函数的变化比较缓慢，对应着外界的输入。链接输入L加上一个正的偏移量，再与馈送输入相乘构成内部活动项U。一个衰减的内部阈值H与一个阶跃函数共同构成了脉冲发生器。

非线性连接调制部分：也即神经元内部活动项，反馈输入和加有偏置权值的线性连接部分相乘能获得此项。

脉冲产生部分: 内部活动项的大小能是否能大于动态激发门限，往往决定着脉冲是否产生，如果神经元输出状态发生变化，这个门限也会随之变化。

从神经元本身的构成来看，脉冲耦合神经网络和传统的反馈型神经网络比起来，前者的特色化性能就显而易见，这就使PCNN具备变阈值、强自适应、同步脉冲发放等特性，在处理图像时，这些性能都能发挥很好作用。脉冲耦合神经网络神经元模型如图1所示。

1.2 识别模型的建立

通过PCNN处理图像的过程中，其基本单元脉冲耦合神经元的个数与图像中像素点的个数相当，也就是每一个像素点都有与之对应的神经元相连，而且神经元和神经元之间也是相连的。我们可以将PCNN模型简化为F通道，注意在强度上，F通道的输入值也要和像素点相同，周围神经元着火次数的总和就是L通道的输入值。

根据金属断口图像的灰度值确定PCNN 模型的点火时间，灰度值会随着点火时间的提前而增大，反之则越小。这样一来，各类断口裂纹的特点很容易通过脉动输出序列构成的二值图像体现出来，这就是所谓的通过PCNN 建立识别模型的原理。下面的公式就是PCNN离散形式的数学表达式：

Fij（n）=Iij（1）

Lij（n）=exp（-αL）Lij（n-1）+VL■Wij，mnYmn（n-1）（2）

Uij（n）=Fij（n）*（1+βlij（n））（3）

θij（n）=exp（-αθ）θij（n-1）+VθYij（n-1）（4）

Yij（n）=1，Uij（n）＞θij（n）0，其它（5）

上式中的神经元与周围连接的范围可取3×3或5×5的数值，用m，n来代替，而外部输入刺激信号则用Iij表示；Lij(n)表示连接输入，Fij(n)表示反馈输入。PCNN神经元接受Lij(n)及Fij(n)，再在其内部神经元活动系统构成Uij(n)，即内部活动项(模型中偏移量规整为1，β为链接强度系数)。如果动态门限θij(n-1)达不到Uij(n)的数值，PCNN就会产生输出时序脉冲序列Yij(n)。

2 基于PCNN的断口识别方法研究

2.1 特征提取

断口图像点火的神经元总数为g(n)[6]，则：

g（n）=■Yij（n）（6）

式中，Yij(n)是在n时刻点火神经元Nij的输出，点火时刻信号g（n）统计了n时刻PCNN发出脉冲的神经元总数，也就是每次迭代时整个图像中点火的神经元的总数。

Yij(n)涵盖了图像中相邻像素之间的相对位置和图像灰度分布的相关信息，充分体现出纹理图像的特点。如果图像的断口不相同，就会出现不同的纹理，每幅断口图的时间序列都各具特色，其具有某种不变性，整个断口图的内在特征也就能通过这一个特点反映出来，这个特点完全能作为一个特征向量用于分类和识别，可将其输入模式识别单元来识别。

2.2 PCNN模型的参数设置

操作人员一定要在同一参数模型下处理金属断口图像，以确保最终获得为宜的PCNN 输出时间序列。假设Fn（PCNN模型的点火次数）是45，Y、L、U初值都是0，归一化以后的灰度值用S来代替，属于[0，1]，r（连接域半径）取1.5，W（内部连接矩阵）与M相同，为3*3的方阵：其中每一个元素数值都是中心像素到四周像素的欧几里德距离的平方的倒数，则：

Mxy=[E（pij-pxy）2]-1 （7）

式中，中心像素点的坐标、周围像素点坐标和所求数值分别用Pxy、Pij、Mxy表示。表1给出了其他的参数。

2.3 识别原理及方法

PCNN第n次点火时输出二值图Yij（n）的熵是Hn(p)。Hn(p)数值可以作为图像统计特性的表现形式之一，将图像包含信息量的大小体现出来。具体地也就是PCNN 在每次循环迭代运算时，计算分割输出的二值图像Y(n)的熵值Hn(p)。

H（p）=-p1*log■■log■■（8）

P1、P0分别表示Y(n)中像素为1、为0的概率。

对断口图像的识别，首先把断口图像送入PCNN模型，借助PCNN的图像分割能力和输出图像Y(n)熵序列的性质，进行特征提取，将输出熵序列作为特征向量，将输出熵序列与存储的模板标准熵序列进行对比，计算二者的欧氏距离，然后就可以根据距离的大小直接进行断口的识别(当然也可以用其它分类器进行分类)，这里欧式距离定义为：

存入我的阅览室

MSE=[∑（g0（n）-g1（n））2]■（9）

其中g0（n）、g1（n）分别表示标准熵序列和实际输出的熵序列的值。

3 实验研究

实验样本采用的是典型断口图像，如图2~图4典型断口图像样本所示，依次为解理断口、疲劳断口和塑坑断口。从这三种断口图像中分别提取10幅128×128的灰度图像，作为训练样本，任意取出三种断口图像中的各两幅，得到Bandelet熵，任意取出三种断口图像中的两幅的Bandelet熵，进行两步判断：

第一步判断，通过PCNN输出断口图像的点火神经元序列。设定阈值T为0.45。计算任意两种断口图像Bandelet熵的欧式距离。如果得到的欧式距离大于阈值，就判定神经元序列所属的断口图像属于两种不同的断口类型，可以进行第二步判断，确定其断口种类；如果得到的欧式距离不大于阈值，就说明这两种断口类型一样，就停止判断。通过这种判断，这三种断口图像就可以被分成三类。第二步判断，将被分成三类的断口图像的熵序列与存储的模板标准熵序列进行对比，计算二者的欧氏几何距离，若是欧式距离很大，则说明是不同类断口；若欧式距离很小，则说明是同类断口，以此，就可以清楚的分辨出三种不同类型的断口。粲诹街植煌亩峡诶嘈停梢越械诙脚卸希范ㄆ涠峡谥掷啵蝗绻玫降呐肥骄嗬氩淮笥阢兄担退得髡饬街侄峡诶嘈鸵谎屯V古卸稀Mü庵峙卸希馊侄峡谕枷窬涂梢员环殖扇唷5诙脚卸希环殖扇嗟亩峡谕枷竦撵匦蛄杏氪娲⒌哪0灞曜检匦蛄薪卸员龋扑愣叩呐肥霞负尉嗬耄羰桥肥骄嗬牒艽螅蛩得魇遣煌喽峡冢蝗襞肥骄嗬牒苄。蛩得魇峭喽峡冢源耍涂梢郧宄姆直娉鋈植煌嘈偷亩峡凇

实验结果如下：

通过实验，发现断口图像经过PCNN之后，输出熵序列和模式库中的其他断口图像的输出熵序列的欧氏距离很大，与自己所属模式的输出熵序列的欧氏距离最小。据此可以进行不同断口的模式识别工作。经过大量的实验验证，本文算法对不同断口图像均可达到90％以上的正确识别率。本文所用方法与BP神经网络等相比，不需要学习或者训练，能够节省大量时间的同时还能减少对实验样本的需求，实验证明该方法切实有效。

4 结论

基于PCNN不需要学习或者训练，能从复杂背景下提取有效信息，并且具有同步脉冲发放等特性，本文将PCNN引入到金属断口图像的识别中，提出了一种基于PCNN的金属断口识别方法，通过以上仿真实验，说明该方法在断口识别中取得了良好的效果，特别是在断口样本较少的情况下，解决了BP网络等需要大量样本学习和训练的问题，显示了该方法在断口识别方面的独到之处，。但是，关于PCNN在识别领域的进一步应用还有待于研究和探讨，尤其在实验装置结构上也可以做更多的改进和优化，使该算法更适用于实时处理系统。

参考文献：

[1]K Minoshima，T Nagasaki，K Komai. Automatic Classification of Fracture Surface Morphology Using Computer Image Processing Technique,Trans.Jpn.Soc.Mech.Eng，1990,56(525):1318-1328.

[2]K Komai，K Minoshima，S Ishii. Recognition of Different Frature Surface Morphologies Using Computer Image Processing Technique. JSME.Int.J，Ser.A.1993,36(2):220.

[3]K Minoshi，T Nagosaki. Automatic Classification of Fracture Surface Morphology Using Computer Image Processing Technique. Jpn. Soc. Mesh.Eng，1993，373.

无损检测技术教育部重点实验室开放基金项目ZD200829003资助。

作者简介：庄心生，男，1975年9月生，机械工程师。

存入我的阅览室

MSE=[∑（g0（n）-g1（n））2]■（9）

其中g0（n）、g1（n）分别表示标准熵序列和实际输出的熵序列的值。

3 实验研究

实验结果如下：

4 结论

参考文献：

[1]K Minoshima，T Nagasaki，K Komai. Automatic Classification of Fracture Surface Morphology Using Computer Image Processing Technique,Trans.Jpn.Soc.Mech.Eng，1990,56(525):1318-1328.

[2]K Komai，K Minoshima，S Ishii. Recognition of Different Frature Surface Morphologies Using Computer Image Processing Technique. JSME.Int.J，Ser.A.1993,36(2):220.

[3]K Minoshi，T Nagosaki. Automatic Classification of Fracture Surface Morphology Using Computer Image Processing Technique. Jpn. Soc. Mesh.Eng，1993，373.

无损检测技术教育部重点实验室开放基金项目ZD200829003资助。

作者简介：庄心生，男，1975年9月生，机械工程师。

篇6

关键词：超短期风电功率预测；最小二乘支持向量回归；动态集成；动态时间弯曲距离；数值天气预报

中图分类号：TM614 文献标志码：A

Ultra-short-term Wind Power Prediction Based on Dynamical Ensemble Least

Square Support Vector Regression LIU Rongsheng1，PENG Minfang1，ZHANG Haiyan1，WAN Xun2，SHEN Meie3

（1. College of Electrical and Information Engineering， Hunan University， Changsha 410082， China；

2. State Grid Hunan Electric Power Company Electric Power Research Institute， Changsha 410007， China；

3. Computer School Beijing Information Science & Technology University， Beijing 100101， China）

Abstract：For the limitation of least square support vector regression （LSSVR） in modeling the time varying feature of wind power， an ultra-short-term wind power prediction （USTWPP） model based on dynamical ensemble LSSVR was proposed. Firstly， the off-line LSSVR model library was created by making use of the historical data which were obtained from Numerical Weather Prediction （NWP） and supervisory control and data acquisition （SCADA） system of wind farm. Then， the candidate members of ensemble LSSVR were selected from off-line LSSVR model library dynamically according to the similarity between the NWP of forecasting period and the NWP of training period. The ensemble members were decided by considering the accuracy and diversity. Finally， the weights of ensemble LSSVR members were assigned according to the similarity between the NWP of training and NWP of prediction period. The validity of the dynamical ensemble LSSVR based predictor was verified by predicting the wind power of a wind farm in Hunan Province. Compared with persistence method （PM）， auto regressive integrated moving average （AGIMA）， LSSVR， constant weight ensemble LSSVR， and ensemble artificial neural networks （ANN）， the dynamical ensemble LSSVR is more accurate， especially when the weather changes severely.

Key words：ultra-short-term wind power prediction； least square support vector regression； dynamical Ensemble； dynamical time warp； numerical weather prediction

风力发电是目前技术最成熟、最具商业开发前景的可再生能源发电技术之一[1]，受风向、风速、气压、温度、海拔、地形地貌及风机特性等因素影响，其输出功率具有随机性和间歇性[1-2].风电大规模并入电力系统后，其随机性和间歇性会给电力系统的调度及稳定运行带来新的挑战[3-4].及时、准确的风电功率预测是大力发展风力发电的关键技术之一.国家能源局颁布的《风电场功率预测预报管理暂行办法》要求风电场必须及时上报短期与超短期风电功率预测（Ultra-short-term Wind Power Prediction， USTWPP）报告[5].

根据预测时效不同，风电功率预测可分为中长期、短期与超短期预测[6].USTWPP的预测时效为未来0～4 h，因时效短，精度要求高，对预测方法有更高的要求.风电功率预测的方法包括统计法[7-8] 、物理法[9] 、人工智能法[10]及组合预测法等.统计法依据风电场输出功率的变化趋势外推下一时刻的风电功率，常用的统计方法有持续法、移动平均法及自回归求和移动平均法等[11].统计法适合于气象信息有限的USTWPP，其建模简单、计算量少，可根据风电场的特点及位置调整预测模型，准确性较高，应用广泛[8]；但统计法信息源单一，无法按不同的边界条件修正预测模型，健壮性差，在非平稳变化时段预测效果差.物理法基于数值天气预报（Numerical Weather Prediction， NWP）预测未来的气象数据，然后结合风电场周围的地形、地貌等，计算风电机组轮毂高度处的风速与风向，最后参照风机的功率转换曲线预测风电场的输出功率.物理法不需要大量历史数据训练模型，但我国用于风电的商业NWP起步较晚，需提高NWP的更新频率与时间分辨率，才能将物理法应用于USTWPP[7，10].风电场输出功率受诸多因素影响，机理复杂，难以建立准确的数学模型，为了提高USTWPP预测的准确性，人工神经网络（Artificial Neural network，ANN）、支持向量机（Support Vector Machine，SVM）及模糊逻辑等人工智能方法相继被用于USTWPP.ANN方法不需按机理建立数学模型，具有较好的非线性逼近能力和泛化能力，但需要大量的历史数据训练模型[12]，ANN的层数及各层的节点数等只能依赖经验确定.SVM方法在处理小样本学习问题时具有良好的性能，但其适应性有待进一步研究[13]，且不能建模时变系统.模糊逻辑可以处理风电功率的不确定性，但隶属函数选择依赖于历史数据与专家经验[14-15].

单一预测模型有其内在局限性，组合预测方法利用不同方法优势互补，提高预测模型的准确性和健壮性，已成为研究USTWPP的一种趋势.文献[16]提出了一种利用小波变换与SVM相结合的时频综合预测方法，减少了采样误差和噪声对预测结果的影响，但其没有利用NWP信息提高风电功率预测的准确性.ANN与SVM等模型的参数会影响USTWPP的准确性，借助遗传算法或粒子群优化算法可提高参数选取的效率和预测的准确性[17].基于权重组合的USTWPP方法将不同单体预测方法的预测值加权平均[18]，其利用不同单体模型的优点，克服某一或多个因素对预测误差的集中影响，已成为国内外的研究热点.文献[18]在6种单体风电功率预测方法的基础上采用等权平均组合预测法、均方差倒数法和多层感知器智能算法作为组合方法的融合策略确定各单体模型所占权重.文献[19]通过最大信息熵原则确定每个单体模型的权重建立组合预测模型.文献[20]将风电功率组合预测看作一个信息融合问题，应用交叉熵理论设置各个预测模型的权重，建立风电功率组合预测模型.上述组合模型有效的提高了风电功率预测的准确性，但是没有考虑风电场所处环境的时变特性，上一时刻的最优组合，下一时刻未必最优.根据风电场的时变特性，建立动态组合预测模型，可提高USTWPP预测结果的准确性.本文提出一种基于动态集成最小二乘支持向量回归（Least Squares Support Vector Regression，LSSVR）的USTWPP模型.首先基于NWP与风电场监测控制与数据采集（Supervisory Control And Data Acquisition，SCADA）系统的历史数据离线建立单体LSSVR模型库；然后根据预测时段的NWP特征从单体LSSVR库中动态选择候选集成成员；再后综合考虑多样性与正确性确定集成LSSVR成员；最后各集成成员的权重由预测时段与训练时段NWP的动态弯曲时间（Dynamic Time Warping，DTW）距离给定.将动态集成LSSVR模型应用于湖南某风电场的输出功率预测，研究及实验证明了基于动态集成LSSVR的超短期风电功率预测模型的正确性和有效性，是计及风电场输出功率时变特性进行USTWPP的有益尝试.

1 基本理论

1.1 时间序列相似性

DTW对同步问题不敏感、计算精度高、可度量长度不同的时间序列间的相似性，下文基于DTW定义时间序列相似度.

其中θ为给定的相似度阈值，Ddwt（X，Y）为时间序列X与Y的动态时间弯曲距离.

1.2 最小二乘支持向量回归

其中w为权向量，γ为正则化参数，ek为误差变量，b为偏置量，φ（・）为从输入空间到高维特征空间的非线性映射.

对应于最优化问题（3）～（4）的Lagrange函数如式（5）：

其中αk为Lagrange乘子，对应于αk≠0的样本点称为支持向量.

式（5）的KKT条件如下：

其中σ为自变量x的分布方差.

解方程组（10）求得α与b，对于新的输入向量x，其对应的输出值y（x）如式（12）：

2 基于动态集成LSSVR的USTWPP建模

及风电场的时变特性，提高超短期风电功率预测的准确性，本文提出一种动态集成LSSVR模型，并将其应用于超短期风电功率预测，该模型包括3个步骤：

第1步，离线构建单体LSSVR模型库；

第2步，动态选择集成LSSVR成员；

第3步，基于DTW的权重分配.

2.1 构建单体LSSVR模型库

基于动态集成LSSVR的USTWPP根据风电场的时变特性，动态重构集成LSSVR模型.单体LSSVR是集成LSSVR的基础，为提高集成LSSVR动态重构的速度，利用历史数据构建离线单体LSSVR模型库.单体LSSVR模型库构建流程如图1所示.包括数据预处理、子序列划分、NWP降维、样本集构造及单体LSSVR创建等5个步骤.

1）数据预处理：风电场SCADA系统以15 min 1次的频率采集风电场测风塔的风速及输出功率.图2为湖南某风电场SCADA系统测得的2013年9月风速与输出功率关系图.风速低于切入风速时，输出功率为0；风速高于额定风速后，风电场的输出功率为额定装机容量；风速在切入风速与额定风速之间时，功率与风速之间呈3次函数关系.但是受设备故障或计划检修等因素影响，输出功率在某些时刻远离风速-功率拟合曲线，该类数据会影响风电场功率预测的准确性，用其临近2个时刻的平均风速与输出功率矫正.网络和数采系统故障可能导致数据丢失，如果连续丢失的数据点在5个以上，则将其从历史数据中删除，否则用均值法对缺失的数据进行补全.

2）子序列划分：NWP及SCADA系统积累了大量的历史数据，以全部历史数据训练LSSVR模型，会因为训练样本规模过大，使得式（10）求解困难，导致过拟合，泛化能力差.因此将历史数据划分成长度为L的等长子序列，用各子序列单独训练模型.

3）NWP降维： NWP信息中包含风速的x轴分量u，y轴分量v，气压p和温度t等，USTWPP预测时效短，温度变化较小，建模时只选取u，v与p.每个子序列的NWP信息可表示成一个如式（13）所示的L×3矩阵M，其中L樽有蛄械某ざ龋痪式（14），式（15）将矩阵M变换成向量Z.

4）构建样本集：单体LSSVR模型的样本集表示如下：

其中N=|Ssmp|为样本集Ssmp的样本数，xi为第i个样本的输入，yi为与xi对应的输出.创建样本集Ssmp的关键是确定xi与yi.

影响风电场输出功率的因素包括地形地貌、风电机组排列、风机型号、海拔、风向、风速、温度、气压及空气密度等，其中地形地貌、风机排列、风机型号及海拔等为非时变因素，风向、风速、温度、气压及空气密度为时变因素.将风电场抽象成如图3所示的能量转换系统，时变因素作为系统输入，在时变因素作用下，向外输出电能，输出功率由输入（时变因素）与系统共同（非时变因素）决定.不同输入作用于系统，系统上可获得不同的监测信息，监测信息可以反映系统的功率输出.而风电场的NWP与SCADA系统信息就是能量转换系统的监测信息，其反映了风电场输出功率的变化规律.计及风速与功率成强相关性，只将风电场当前的NWP与上一时刻的输出功率作为输入，下一时刻的输出功率作为输出.样本的输入

xi=，输出yi=Pi，其中NWPi为经降维处理后预测时刻的NWP信息，Pi为预测时刻的输出功率.

5）单体LSSVR创建：用各子序列生成的样本集Ssmp分别训练LSSVR模型，将全体单体LSSVR模型及其训练子序列存入数据库建立单体LSSVR预测模型库.

2.2 集成成员选择

集成成员的多样性与正确性是构建高质量集成LSSVR模型的基础，为建模风电场的时变特性，根据预测时段的NWP信息，动态的从单体LSSVR模型库中选择预测时段与训练时段NWP相似度最高的Q个单体LSSVR作为集成成员候选集D，集成成员集D′必须满足：D′D，且ψ（D′）有最大值[23].

其中λ∈[0，1]为多样性和正确性的调节因子，若λ=1，则只考虑正确性，若λ=0，则只考虑多样性.fi与fj均为单体LSSVR模型，A（fi）为单体LSSVR模型fi的预测准确率，其计算如下式：

其中yi为风电功率实测值，f（xi）为与输入xi对应的预测值，Ste为测试集.

kp（fi，fj）为单体LSSVR模型fi与fj的差异性度量指标――成对Kappa（Pairwise-kappa，kp）[24]，其计算如式（19）.

经典kp指标用于度量分类器的差异性，为使其可度量回归模型的差异性，对fi与fj的联合进行了改进，改进后的联合分布如表1所示.

aij为fi与fj的相对误差均不大于允许误差e的样本数；bij为fi的相对误差大于允许误差e，而fj的相对误差不大于允许误差e的样本数；cij为fj的相对误差大于允许误差e，而fi的相对误差不大于允许误差e的样本数；dij为fi与fj的相对误差均大于允许误差e的样本数.

2.3 权重分配

集成成员权重分配是将多个单体LSSVR组合成高效集成预测模型的关键.风电场具有时变特性，上一时刻最适合的权重分配，在下一时刻不一定适应，为了适应风电场的变化，根据NWP的时变特性动态分配LSSVR集成预测模型的权重.

预测时段的NWP序列经降维后记为NWP0，单体LSSVRi训练时段的NWP序列经降维后记为NWPi.由式（2）计算NWP0与NWPi的相似度S（NWP0，NWPi），集成预测成员LSSVRi的权重如下：

3 实验及其结果分析

3.1 实验环境与数据

试验平台采用Matlab 7.10.0（R2010a），在其上安装libsvm软件包用于单体LSSVR建模.数据包括两部分：数值天气预报与风电场历史监测数据.NWP来自丹麦某气象公司，时间分辨率为15 min，某时刻的历史NWP数据为其最后一次更新的值.历史NWP信息如表2所示，包含了风速的x轴方向分量、y轴方向分量及气压.

对于新的输入xi，其对应的风电功率预测结果为：

风电场历史监测数据来自于其SCADA系统，时间间隔为15 min.风电场的装机容量为48 MW，2013年9月某日经归一化处理后的日功率曲线如图4所示.误差评价指标采用平均百分比误差（MAPE）[25].

3.2 实验结果与分析

以湖南某风电场2012年9月1日至2013年8月31日的NWP及其实际输出功率为历史数据训练单体LSSVR模型.共35 040组数据，经数据预处理删除连续丢失数据的情形，得33 574组有效数据，子序列长度分别为4 h，8 h，12 h，24 h， 3 d及7 d时，训练时段与预测时段NWP序列间DTW距离与单体LSSVR模型预测误差的关系如图5所示.虽然划分子序列的长度不同，但预测误差均随训练时段与预测时段NWP序列间DWT距离的增大而增大，两者成正相关，且只有DWT较小的单体LSSVR模型的预测结果能够满足规范的要求.试验结果说明预测时段与训练时段间NWP相似度越高，越有利于提高单体LSSVR预测模型的精度.

当子序列时段长度L分别为4 h，8 h，12 h，24 h，3 d及7 d时，与预测时段NWP相似度最的单体LSSVR模型预测的结果如图6所示，当训练时段与预测时段的NWP相似度较高时，各LSSVR模型预测值围绕实测值上下波动，LSSVR模型能够较好地学习预测时段风电输出功率的变化规律，说明了基于NWP相似度构建单体LSSVR模型的有效性.

子序列时段长度L分别取4 h，8 h，12 h，24 h，3 d及7 d时，最优单体LSSVR模型预测误差的统计结果如表3所示.

表3显示：L过小，单体LSSVR模型的训练样本过少，预测精度不高，增加L，单体LSSVR的预测精度逐步提高，但是当L太大时，NWP的准确率会下降.当长度L24 h时，单体LSSVR模型具有最优的预测效果.构建离线LSSVR库时，设定子序列的长度L为24 h.

集成成员多样性与正确性调节因子λ是影响集成预测结果的另一个重要因素，当L为24 h时，λ与预测误差的统计结果如表4所示，统计结果显示λ取0或1时，只计及了集成成员的正确性或者多样性，预测误差比较大，当其取值为0.6时，正确性与多样性取得最好的平衡，预测效果最佳.

取λ=0.6，L=24 h时，集成预测试验结果如图7所示，动态集成预测模型与单体模型都能有效地预测风电场输出功率.进一步地对2013年9月输出功率预测结果进行统计，统计结果如表5所示，表5中Best表示集成模型中最好的单体LSSVR预测结果，Worst为集成成员中最差的单体LSSVR预测结果，Average为集成成员预测结果的平均误差， DELSSVR为动态集成LSSVR预测结果的误差统计结果.统计结果显示：DELSSVR预测模型的MAPE小于集成成员的平均MAPE，也小于最好的单体LSSVR的MAPE.验证了基于动态集成LSSVR的USTWPP模型的有效性，其比最好的单体LSSVR模型预测误差更小.

基于DELSSVR的USTWPP模型与其它常用的USTWPP预测模型的对比试验结果如表6所示.其中PM表示持续法，ARIMA为自回归移动平均法，CWLSSVR为常权重LSSVR集成预测模型，DEBPNN为文献[25]中神经网络动态集成预测模型，DELSSVR为本文的动态集成LSSVR模型.DELSSVR模型利用了风电场NWP序列的时变特性，动态实现集成成员选择与权重分配，与其它方法相比，提高了USTWPP的准确性，在非平稳阶段，尤为明显.

4 结论

计及风电场的时变特征，本文提出了一种基于动态集成LSSVR的USTWPP模型，并将该模型应用于超短期风电功率预测.研究和实验得出如下结论：

1）风电场输出功率规律受外部天气环境影响，具有时变特性，建立时变模型有利于提高风电功率预测的准确性.

2）由历史数据建立离线单体LSSVR模型库的方式，可减少集成LSSVR动态重构的计算量，提高构建动态集成LSSVR的速度.

3）动态集成LSSVR模型基于预测时段NWP的时变特征动态选择集成成员与分配权重，其能够更好地建模风电功率的时变特性，提高USTWPP的预测精度.

参考文献

[1] 薛禹胜，雷兴，薛峰，等.关于风电不确定性对电力系统影响的评述[J].中国电机工程学报， 2014， 34（29）：5029-5036.

XUE Yusheng， LEI Xing， XUE Feng， et al. A review on impacts of wind power uncertainties on power systems [J]. Proceedings of the CSEE， 2014， 34（29）： 5029-5036.（In Chinese）

[2] KUSIAK Andrew，ZHANG Zijun.Short-horizon prediction of wind power：A data-driven approach[J].IEEE Transactions on Energy Conversion， 2010， 25（4）：1112-1122.

[3] 王成山，高菲，，等.低压微网控制策略研究[J].中国电机工程学报， 2012， 32（25）：2-8.

WANG Chengshan， GAO Fei， LI Peng， et al. Control strategy research on low voltage microgrid[J]. Proceedings of the CSEE， 2012， 32（25）： 2-8.（In Chinese）

[4] 李培强，王继飞，李欣然，等. 双馈与直驱风电机组的小干扰稳定性对比分析[J].湖南大学学报：自然科学版， 2014， 41（1）：92-97.

LI Peiqiang， WANG Jifei， LI Xinran， et al. Analysis on the impact of DFIG and DDSG wind plant on the small signal stability of the power system[J]. Journal of Hunan University：Natural Sciences， 2014，41（1）： 92-97.（In Chinese）

[5] 薛禹胜，郁琛，赵俊华，等. 关于短期及超短期风电功率预测的评述 [J].电力系统自动化， 2015，39（6）：141-151.

XUE Yusheng， YU Chen， ZHAO Junhua， et al. A review on short-term and ultra-short-term wind power prediction[J]. Automation of Electrical Power Systems， 2015，39（6）：141-151.（In Chinese）

[6] SHI Jie，DING Zhaohao，LEE Weijen， et al.Hybrid forecating model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features[J].IEEE Transactions on Smart Grid， 2014， 5（1）：521-526.

[7] 王贺，胡志坚，陈珍，等.基于集合经验模态分解和小波神经网络的短期风功率组合预测[J].电工技术学报， 2013， 28（9）：137-144.

WANG He， HU Zhijian， CHEN Zhen， et al. A hybrid model for wind power forecasting based on ensemble empirical mode decomposition and wavelet neural networks[J]. Transactions of China Electrotechnical Society， 2013，28（9）： 137-144 .（In Chinese）

[8] 周松林，茆美琴，苏建徽.风电功率短期预测及非参数区间估计[J].中国电机工程学报， 2011， 31（25）：10-16.

ZHOU Songlin， MAO Meiqin， SU Jianhui. Short-term forecasting of wind power and non-parametric confidence interval estimation [J]. Proceedings of the CSEE， 2011， 31（25）： 10-16.（In Chinese）

[9] NIMA Amjady，FARSHID Keynia， HAMIDREZA Zareipour.Wind power prediciton by a new forecast engine composed of modified hybrid neural network and enhanced particle swarm optimization[J].IEEE Transactions on Sustainable Energy， 2011， 2（3）：265-276.

[10]CHEN Niya，QIAN Zheng，NABNEY Ian T，et al. Wind power forecasts using gaussian processes and numerical weather prediction [J].IEEE Transactions on Power Systems， 2014， 29（2）：656-665.

[11]陶佳，弘，朱国荣，等.基于优化相空间重构技术的风电场发电功率预测研究[J].中国电机工程学报， 2011， 31（28）：9-14.

TAO Jia， ZHANG Hong， ZHU Guorong， et al. Wind power prediction based on technology of advanced phase space reconstruction[J]. Proceedings of the CSEE， 2011， 31（28）：9-14.（In Chinese）

[12]陈志宝，丁杰，周海，等.地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型[J].中国电机工程学报， 2015，35（3）：561-567.

CHEN Zhibao， DING Jie， ZHOU Hai， et al. A model of very short-term photovoltaic power forecasting based on ground-based cloud images and RBF neural network[J]. Proceedings of the CSEE， 2015 ，35（3）：561-567. （In Chinese）

[13]陈妮亚，钱政，孟晓风，等.基于空间相关法的风电场风速多步预测模型[J].电工技术学报， 2013， 28（5）：15-21.

CHEN Niya， QIAN Zheng， MENG Xiaofeng， et al. Multi-step ahead wind speed forecasting model based on spatial correlation and support vector machine[J]. Transactions of China Electrotechnical Society， 2013， 28（5）：15-21 .（In Chinese）

[14]Subhagata Chattopadhyay，Dilip Kumar Pratihar， Sanjib Chandra De Sarkar，et al. Fuzzy-logic-based screening and prediction ofpsychoses：A novel approach[J].IEEE Transactions on System，Man，and Cybernetics―Part A：System and Humans， 2009， 39（2）：381-387.

[15]王贺，胡志坚，仉梦林，等.基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型[J].电工技术学报， 2014， 29（12）：218-224.

WANG He， HU Zhijian， ZHANG Menglin，et al. A combined forecasting model for range of wind power fluctuation based on Fuzzy information granulation and least squares support vector machine [J]. Transactions of China Electrotechnical Society， 2014， 29（12）：218-224. （In Chinese）

[16]田中大，李树江，王艳红，等.基于小波变换的风电场短期风速组合预测[J].电工技术学报， 2015， 30（9）：112-120.

TIAN Zhongda， LI Shujiang， WANG Yanhong， et al. Short-term wind speed combined prediction for wind farms based on wavelet transform [J]. Transactions of China Electrote Chnical Society， 2015， 30（9）： 112-120. （In Chinese）

[17]王振树，卞绍润，刘晓宇，等.基于混沌与量子粒子群算法相结合的负荷模型参数识辨研究[J].电工技术学报， 2014， 29（12）：211-217.

WANG Zhenshu， BIAN Shaorun， LIU Xiaoyu， et al. Research on load model parameter identification based onthe CQDPSO algorithm [J]. Transactions of China Electrotechnical Society， 2014， 29（12）： 211-217 .（In Chinese）

[18]BOUZOU H， BENOUDJIT N. Multiple architecture system for wind speed prediction [J]. Applied Energy， 2011，88（7）：2463-2471.

[19]HAN S， LIU Y， LI J. Wind power combination prediction based on the maximuminformation entropy principle [C] //World Automation Congress. June 24-28， 2012， Puerto Vallarta， Mexico：4p.

[20]陈宁，沙倩，汤奕，等. 基于交叉熵理论的风电功率组合预测方法[J]. 中国电机工程学报，2012，32（4）：29-34.

CHEN Ning， SHA Qian， TANG Yi， et al. A combination method for wind power prediction based on cross entropy theory[J]. Proceedings of the CSEE，2012， 32（4）：29-34. （In Chinese）

[21]李海林，杨丽彬.基于增量动态时间弯曲的时间序列相似性度量方法[J].计算机科学， 2013， 40（4）：227-230.

LI Hailin， YANG Libin.Similarity measure for time series based on incremental dynamic time warping[J]. Computer Science， 2013， 40（4）：227-230. （In Chinese）

[22]WOOJIN Kim， JAEMANN Par， JAEHYUN Yoo， et al. Target localization using ensemble support vector regression in wireless sensor networks[J]. IEEE Transactions on Cybernetics， 2013， 43（4）：1189-1198.

[23]畲海殷绪成，郝红卫，等. 基于差异性的分类器集成：有效性分析及优化集成[J].自动化学报， 2013， 40（4）：661-674.

YANG Chun， YIN Xucheng， HAO Hongwei， et al. Classier ensemble with diversity： effectiveness analysis and ensemble optimization[J]. Acta Automatica Sinica， 2013， 40（4）： 661-674.（In Chinese）

[24]李洪超，王伟刚，董雪梅，等. 基于 M-LS-SVR 的变压器油中溶解气体浓度预测[J]. 电气技术， 2016， 1（2）： 76-80.

LI Hongchao， WANG Weigang， DONG Xuemei， et al. Concentration prediction of dissolved gasesin transformer oil based on M-LS-SVR[J].Electrical Technology， 2016， 1（2）： 76-80. （In Chinese）

篇7

局部真空电子束旋转动密封装置设计何成旦李鹤岐许启晋 (7)

Influence of flux and sulfur on YAG laser weldingKNakata DFan MTanaka MUshio (11)

Cu基形状记忆合金的电阻点焊连接工艺研究陈希章雷玉成司乃潮刘宁 (15)

细晶粒钢热影响区软化焊接接头的力学性能朱亮陈剑虹 (19)

微机控制的变极性TIG焊电源不对称方波的实现李春旭张学红邱联奎 (23)

PHOENICS在焊接数值模拟中的应用张瑞华樊丁杜华云 (26)

弧焊过程信号检测分析系统张鹏贤马跃洲陈剑虹梁卫东 (29)

1045钢淬火时温度场的数值模拟谢建斌程赫明何天淳文宏光 (33)

铝／硅橡胶交织复合材料压缩力学行为的研究程和法 (38)

二硅化钼机械球磨过程的研究周琦马勤郭铁明 (41)

虚拟装配技术在精密剪切设备开发中的应用李有堂隋丽杰张威 (45)

工序控制方法中工序能力的分析赵妙霞贾九红郑玉巧 (49)

圆柱管制件表面的自动展开及加工方法吴卓 (52)

多工序复杂复合模的工艺及结构设计辛舟龚俊黄建龙李文辉 (55)

无泵溴化锂吸收式制冷气泡泵压力特性数学模型的探讨刘振全吴玉莹张中诚 (57)

复合式离心泵叶轮短叶片偏置设计分析齐学义倪永燕 (60)

非设计工况下叶轮进口附近的流动及其控制张人会张学静杨军虎 (64)

基于解析分层过程（AHP）的油气长输管道系统风险分析俞树荣李淑欣刘展 (67)

三偏心蝶阀的动水力矩计算杜兆年吴健 (70)

固定化糖化酶性质及其应用的研究周剑平魏甲乾龚伟中王治业杨晖 (74)

光电耦合降解废水制膜技术及其电化学特性的研究王有乐张婷张庆芳曹晓云孔秀琴张琼 (77)

天然抗氧剂植酸应用于啤酒酿造工艺的研究史高峰王青宁俞树荣杨云裳鲁润华韩春芳 (80)

天然气管道泄漏点的定位检测方法研究李炜陈希平毛海杰潘纬 (84)

基于OA系统的工作流技术的实现张秋余袁占亭郑玉峰冯涛 (88)

一种基于语义的负载均衡调度算法王继曾张秋余杨俊秀王娜 (92)

基于STEP标准的三维零件信息系统赵付青余冬梅杨亚红 (95)

基于设计模式的软件体系结构研究周小健余冬梅张聚礼 (99)

隔震结构动力时程响应工程算法的精度对比李慧杜永峰 B．F．Spencer，Jr．曹志峰何晴光 (103)

M-尺度函数及对弹性地基梁的求解韩建刚石智黄义暴瑛 (107)

预应力先张法加固钢筋混凝土框架梁的方法朱彦鹏王秀丽王龙 (110)

拓展兰州新的城市发展空间胡勤勇钟天雷赵育民 (115)

一类二维非线性发展方程的分块隐式格式与并行计算那顺布和苏志勋 (118)

完全分配格上的特殊矩阵田振际严克明杜建军李敦刚 (122)

一类奇摄动三阶非线性方程边值问题吴钦宽 (125)

渐近非自治Lotka-Volterra竞争系统正解的渐近性颜向平张存华张忠辅 (129)

标准序列逻辑系统S3中命题的真度值之集在[0，1]上的分布李骏兰倩夏亚峰 (132)

用椭圆积分法求解轴线可伸长梁的弹性曲线李世荣宋曦张靖华 (137)

功能梯度材料圆（环）板的屈曲分析马连生赵永刚 (140)

He原子基态能量与波函数的变分计算陈玉红李延龙 (144)

ECAP条件下纯铜应变行为的等效应变规律及变形均匀性丁雨田唐向前袁训锋胡勇郭廷彪 (1)

基于MATLAB的灰色算法对304不锈钢腐蚀行为的预测杨瑞成王彬张天云 (5)

高铝铜合金粉末激光熔覆层的摩擦磨损性能路阳李亚斐杨效田纪中慷李文生马保荣 (9)

激光熔覆FeNiCrAl合金涂层的组织与腐蚀性能樊丁李强张建斌 (13)

新型Laves相Mg（Cu1-xAlx）2（x=0，0．25）的制备及表征周琦高海棠金孔杰张俊喜孟倩李福祥 (17)

TiO2纳米片的合成、表征及其光催化性能顾玉芬张新磊樊丁李翠霞 (21)

H3PW12O40掺杂制备聚吡啶及其结构表征冉奋张博吴有智孔令斌罗永春康龙 (25)

预紧对高速角接触球轴承动态刚度的影响王保民胡赤兵邬再新孙建仁 (29)

水平轴风力发电机塔架的振动模态分析赵荣珍吕钢 (33)

基于矢量控制的交流伺服进给系统建模高文元卢晓光张克力刘尊鹏王鹏 (37)

全蜗壳的非圆形断面水力设计及其CFD分析验证齐学义赵强马惠萍张庆 (41)

超高水头混流式长短叶片转轮内部流动数值模拟候祎华齐学义张静敏政 (46)

固液两相流对螺旋离心泵流场影响的数值分析李仁年王秋红 (51)

旋转喷射泵转子腔内液体的流动规律杨军虎张红霞张光一唐莲花 (55)

基于模糊层次分析法的长输管道风险分析俞树荣杨慧来李淑欣 (58)

基于AWE的大口径闸阀阀体强度分析与结构优化安宗文权帅峰 (62)

玉米浆对肠膜状明串珠菌菌株成链和右旋糖酐产量的影响刘晓风周剑平魏甲乾王治业赵小锋 (67)

基于LS—SVM的多模型非线性主动预测容错控制李炜王凤达马克 (70)

车辆主动悬架耗散静态输出反馈控制器的设计于显利刘顺安刘佳琳 (76)

一种基于重心的快速细化算法陈若珠田守军李战明吕强 (80)

基于支持向量机的pH中和过程辨识成娟娟谭永红高博 (84)

基于编码电缆的自动化立体仓库的地址检测别文群缪兴锋 (88)

基于OLAM的制造业商务智能模型陈旭辉刘东坡徐勇 (93)

一种改进的多用户检测算法王维芳 (98)

DHT网络中VoIP节点的搜索模型周晓兵 (102)

高烈度区新型钢筋砼框架的抗震性能王秀丽李涛金建民莫庸 (105)

交叉支撑内力取值方法对结构抗震性能的影响米旭峰 (110)

基于梁柱扭转效应的框架预应力锚杆柔性支护结构内力计算周勇朱彦鹏 (116)

考虑剪滞效应下计算钢筋混凝土箱梁应力的换算截面法林丽霞吴亚平丁南宏单旭张江峰 (122)

钢管混凝土斜拉拱桥斜拉索锚箱模型静载试验研究沈明燕钟新谷石卫华 (127)

碳纤维加固形式对混凝土柱耐久性影响的试验研究刘宝臣王磊 (132)

时滞网站竞争系统的稳定性和Hopf分支霍海峰马战平黄国灿向红 (136)

一类非线性三阶三点边值问题的正解孙建平彭俊国郭丽君赵亚红 (142)

高阶Bernoulli多项式、高阶Euler多项式与Stirling数的关系杨胜良马成业 (146)

上有限广义补模王永铎李国琏 (150)

斑块环境下的常系数捕食-食饵系统的持久性雷东侠欧志英 (154)

若干联图的邻点可区别E-全染色李沐春强会英张忠辅 (158)

一类生化反应扩散系统的模式生成别群益赵琼 (162)

在LINEX损失下指数分布刻度参数EB估计的渐近最优性刘荣玄黄璇 (166)

非线性反应扩散方程解的爆破李永军臧子龙徐刚 (171)

数字制造技术与应用教育部重点实验室 (F0003)

第三组元（Al、Cu）添加对Fe83Ga17合金相结构和磁致伸缩性能的影响丁雨田刘广柱胡勇 (1)

铝青铜表面激光熔覆层在3.5%NaCl溶液中的腐蚀行为徐建林龙大伟高威杨波 (6)

AISI 1020钢表面熔融盐法渗铝及其机理马勤尤少君贾建刚安亮 (10)

铝热反应制备纳米晶Fe_3Al过程中熔体冷却的温度场模拟喇培清吕蕊娇 (13)

聚丙烯酸/蒙脱土/TiO2复合材料的紫外光降解杨瑞成申鹏穆元春牛绍蕊靳塞特毕海娟 (18)

SiO_2包覆FePt磁性纳米颗粒的制备和其磁性能杜雪岩郭海霞李翠霞李芳 (22)

黄钾铁矾渣浸出液还原和深度净化侯新刚王学武王玉棉罗咏梅周永娜 (25)

基于虚拟样机的轴向柱塞泵柱塞副仿真分析徐兵张军辉杨华勇 (31)

伺服阀力矩马达衔铁组件的振动特性分析李松晶彭敬辉张亮 (38)

高压气体定容积充放气的特性杨钢徐小威高隆隆李宝仁 (42)

滑阀矩形节流槽阀口的流量系数冀宏张继环王东升张玮刘小平 (47)

参数自适应型蓄能器磁流变液工作腔的分析张晋孔祥东权凌霄艾超张扬 (51)

基于LuGre摩擦模型的气缸摩擦力特性实验陈剑锋刘昊陶国良 (55)

航空柱塞泵流量脉动仿真分析与结构优化李鑫王少萍黄伯超 (60)

风力机翼型的气动模型及数值计算李仁年李银然王秀勇绕帅波 (65)

基于水力设计的轴流泵叶片的三维建模方法王桃严敬严利 (69)

干气密封三种不同槽型线端面流场数值模拟丁雪兴富影杰张静吴振宁任广江 (73)

2,4,6-三（O,O-二甲基磷酰基）-1,3,5-三嗪的合成及表征王彦林刁建高王冬军纪孝熹 (78)

酸离子液体在生物柴油酯交换反应中的催化活性柏杨张立明满瑞林 (81)

两株有机磷农药降解菌的分离鉴定及降解特性赵萍亓文静王雅吴灿军林樱姬王莉杨明峰 (86)

具有快变时延的网络化控制系统完整性设计李炜曹慧超陈旭辉 (91)

一种免疫优化的LS-SVR集成算法及其故障预报应用王艳新苏圣超范小兰 (97)

一种基于遥感图像仿真的大气查找表优化方法林如强刘士宽余涛胡新礼 (102)

基于PLC的啤酒瓶厚度检测系统行走机构设计张玉 (106)

基于Tellurite光纤的受激布里渊散射慢光数值模拟侯尚林王忠义朱龙 (110)

基于GrabCut分割和自动采样的敦煌壁画色彩修复杨筱平王书文贾建芳黄伟 (114)

带屈曲约束支撑的轻钢加层框架减震分析王秀丽张晓峰 (118)

垂直腹杆体外预应力索加固设计内力分析宋彧李爱鹏王永杰 (122)

模型修正技术在结构边界连接参数识别中的应用唐冰松韩晓林毛东健钱方 (126)

损伤情况下的钢-素混凝土拱结合梁桥动力性能狄生奎郭宗江 J．P．Newhook (130)

一类公共健康教育影响下的戒烟模型的稳定性霍海峰余玉星孟新友 (135)

分形插值函数与垂直压缩因子冯志刚庞新星 (139)

三维双调和方程的高阶紧致差分格式及其多重网格方法马廷福金涛曹福军葛永斌 (142)

一类具有反馈控制的离散系统的持久性惠富春杜斌黄灿云 (148)

一类多尺度矩阵小波函数的存在性及构建算法张喜娟宋亮王平安 (152)

一类Meyer-konig-Zeller型概率算子逼近的逆定理刘生贵 (158)

重尾分布族L、D的一些性质及其应用付桐林潘欢 (162)

关于Gamma分布顺序统计量的分布性质匡能晖 (166)

变厚度夹层环板弯曲问题的非线性分析杨静宁李洛甘文艳邱平 (169)

《兰州理工大学学报》征稿简则 (172)

博导简介：丁雨田教授 (F0003)

Ce对Cu-14Al-X合金涂层组织的影响路阳袁柯祥田国庆李文生李国全 (1)

水冷铜模铸造Fe_3Al金属间化合物的组织和力学性能李亚敏刘洪军谢斌郝远 (5)

水解法制备超细氧化亚铜侯新刚周永娜王玉棉王学武罗咏梅 (9)

00Cr12Ti不锈钢焊接接头性能分析杨瑞成胡天雷孟威靳塞特 (13)

搅拌头形状对搅拌头受力和温度的影响张忠科王希靖 (17)

聚丙烯酸/纳米蒙脱土/瓜尔豆胶复合材料的制备张定军赵强陈振斌吴有智陈玉仙王晓康 (21)

聚苯胺颗粒的聚集态结构形成过程冉奋王翎任谭永涛孔令斌罗永春康龙 (25)

信息熵与广义集合集成的轴承-转子系统故障辨识方法赵荣珍杨娟冯如只邓林峰 (28)

多机构系统输出运动精度模型与影响因素同长虹黄建龙 (33)

CNC多轴运动控制系统轮廓误差分析孙建仁胡赤兵王保民 (37)

非圆齿轮滚齿加工的一种自动对刀方法田芳勇胡赤兵姜衍仓 (41)

异形截面轴肩的应力集征雷继军韩致信 (44)

确定离心泵叶片包角的新方法杨军虎蒋云国张人会袁亚飞马文瑛 (48)

基于CFD技术的超低比转速离心泵叶轮的优化设计齐学义孔源田亚斌宋天虹 (52)

双离合器自动变速器电控单元的温度场及优化设计李国云胡建军刘振军秦大同 (56)

以磺胺药物为阴离子的离子液体合成及其抑菌性能郭术朱春节兰国强吴秀勇 (61)

响应曲面法优化微波辅助提取叶黄素酯杨云裳许建国张应鹏李春雷 (66)

环保型工业水基金属清洗剂的研制与应用王青宁卢勇张飞龙李澜赵秋萍于进远 (72)

一种少保守性网络化控制系统的H_∞完整性设计李炜王艳飞李二超 (76)

调整双馈风力发电机无功功率的风电场并网点电压控制王晓兰王耀辉 (84)

基于AOA和MO-CDTA的二阶多功能电流模式滤波器李永安 (90)

一种能识别情感状态的遗传算法及应用牛晓伟 (94)

基于改进“当前”统计模型和AKF的机动目标跟踪王进花曹洁 (98)

特钢330kV变电站联合构架最大应力分析王秀丽李志利 (102)

垂直腹杆体外预应力索受力性能试验宋蛟李爱鹏王永杰宋彧 (107)

弹性地基上线性变截面梁的弯曲变形樊建领刘诚斌侯慧敏 (112)

基坑开挖支护变形特性及稳定性分析王雪浪朱彦鹏 (116)

基于Flac3D的大型储液罐基础环梁拉力分析邓学晶杜永峰夏琰任兴文 (120)

具有粗糙核Marcinkiewicz积分交换子的Lipschitz估计肖强 (126)

一类由邻接谱确定的奇双圈图卢鹏丽姚斌 (129)

一类具有一般非线性接触率及潜伏年龄结构的SEIRS传染病模型郭明普宋益荣 (134)

严格伪压缩映像的CQ算法郭燕王文新 (140)

矩阵核心逆的表征与迭代刘晓冀杨文艳 (144)

高阶非线性有理差分方程的全局吸引性唐国梅肖艳萍 (149)

变时滞神经网络的时滞相关指数稳定性判据孔宪明马晓燕鞠培军 (152)

具有不定位势的渐近线性Dirichlet问题马草川孙小科裴瑞昌夏鸿鸣 (156)

圈和扇的倍图的邻点可区别VE-全色数田京京 (159)

矩形底面扁球面网壳的混沌与控制王钢韩明君邱平 (163)

均布压力作用下扁球壳几何非线性自由振动赵伟寿邱平吴晓甘文艳 (168)

《兰州理工大学学报》征稿简则 (172)

龚俊研究员 (F0003)

ECAP条件下纯铜应变行为的等效应变规律及变形均匀性丁雨田唐向前袁训锋胡勇郭廷彪 (1)

基于MATLAB的灰色算法对304不锈钢腐蚀行为的预测杨瑞成王彬张天云 (5)

高铝铜合金粉末激光熔覆层的摩擦磨损性能路阳李亚斐杨效田纪中慷李文生马保荣 (9)

激光熔覆FeNiCrAl合金涂层的组织与腐蚀性能樊丁李强张建斌 (13)

新型Laves相Mg（Cu1-xAlx）2（x=0，0．25）的制备及表征周琦高海棠金孔杰张俊喜孟倩李福祥 (17)

TiO2纳米片的合成、表征及其光催化性能顾玉芬张新磊樊丁李翠霞 (21)

H3PW12O40掺杂制备聚吡啶及其结构表征冉奋张博吴有智孔令斌罗永春康龙 (25)

预紧对高速角接触球轴承动态刚度的影响王保民胡赤兵邬再新孙建仁 (29)

水平轴风力发电机塔架的振动模态分析赵荣珍吕钢 (33)

基于矢量控制的交流伺服进给系统建模高文元卢晓光张克力刘尊鹏王鹏 (37)

全蜗壳的非圆形断面水力设计及其CFD分析验证齐学义赵强马惠萍张庆 (41)

超高水头混流式长短叶片转轮内部流动数值模拟候祎华齐学义张静敏政 (46)

固液两相流对螺旋离心泵流场影响的数值分析李仁年王秋红 (51)

旋转喷射泵转子腔内液体的流动规律杨军虎张红霞张光一唐莲花 (55)

基于模糊层次分析法的长输管道风险分析俞树荣杨慧来李淑欣 (58)

基于AWE的大口径闸阀阀体强度分析与结构优化安宗文权帅峰 (62)

玉米浆对肠膜状明串珠菌菌株成链和右旋糖酐产量的影响刘晓风周剑平魏甲乾王治业赵小锋 (67)

基于LS—SVM的多模型非线性主动预测容错控制李炜王凤达马克 (70)

车辆主动悬架耗散静态输出反馈控制器的设计于显利刘顺安刘佳琳 (76)

一种基于重心的快速细化算法陈若珠田守军李战明吕强 (80)

基于支持向量机的pH中和过程辨识成娟娟谭永红高博 (84)

基于编码电缆的自动化立体仓库的地址检测别文群缪兴锋 (88)

基于OLAM的制造业商务智能模型陈旭辉刘东坡徐勇 (93)

一种改进的多用户检测算法王维芳 (98)

DHT网络中VoIP节点的搜索模型周晓兵 (102)

高烈度区新型钢筋砼框架的抗震性能王秀丽李涛金建民莫庸 (105)

交叉支撑内力取值方法对结构抗震性能的影响米旭峰 (110)

基于梁柱扭转效应的框架预应力锚杆柔性支护结构内力计算周勇朱彦鹏 (116)

考虑剪滞效应下计算钢筋混凝土箱梁应力的换算截面法林丽霞吴亚平丁南宏单旭张江峰 (122)

钢管混凝土斜拉拱桥斜拉索锚箱模型静载试验研究沈明燕钟新谷石卫华 (127)

碳纤维加固形式对混凝土柱耐久性影响的试验研究刘宝臣王磊 (132)

时滞网站竞争系统的稳定性和Hopf分支霍海峰马战平黄国灿向红 (136)

一类非线性三阶三点边值问题的正解孙建平彭俊国郭丽君赵亚红 (142)

高阶Bernoulli多项式、高阶Euler多项式与Stirling数的关系杨胜良马成业 (146)

上有限广义补模王永铎李国琏 (150)

斑块环境下的常系数捕食-食饵系统的持久性雷东侠欧志英 (154)

若干联图的邻点可区别E-全染色李沐春强会英张忠辅 (158)

一类生化反应扩散系统的模式生成别群益赵琼 (162)

在LINEX损失下指数分布刻度参数EB估计的渐近最优性刘荣玄黄璇 (166)

神经网络中偏置的作用范文

篇1

篇2

篇3

篇4

篇5

篇6

篇7

热门标签

相关文章

相关期刊

中国神经肿瘤

中国神经免疫学和神经病...

国际神经病学神经外科学

神经病学与神经康复学

精品范文