导读:本文包含了多步预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,风速,分解,模型,递归,模糊,集中供热。
多步预测论文文献综述
李洲,李春祥[1]（2019）在《基于改进经验小波变换的非平稳风速多步预测》一文中研究指出风速多步预测研究对超高层建筑、桥梁、高速铁路抗风和风电场平稳运行有重要意义。本文基于目前常用的"分解—预测—重构"策略,提出一种改进经验小波算法,用于实测非平稳风速分解,并建立最小二乘支持向量机预测模型对分解得到的子信号开展多步预测,粒子群优化算法被用来优化最小二乘支持向量机核参数和惩罚参数。对两组实测非平稳台风进行风速多步预测试验,并引入集合经验模态分解和离散小波变换作为对比。试验结果表明,改进经验小波变换能显着提高非平稳风速多步预测精度。(本文来源于《第28届全国结构工程学术会议论文集（第Ⅲ册）》期刊2019-10-18）
李春祥,李洲[2]（2019）在《基于多种信号分解的台风风速多步预测》一文中研究指出针对台风风速多步预测中用到的信号分解方法开展对比研究。首先,列举8种典型信号分解方法的特点;其次,基于不同信号分解方法建立经粒子群算法(particle swarm optimization,简称PSO)优化的最小二乘支持向量机(least squares support vector machine,简称LSSVM)预测模型;最后,采用某大跨桥梁主塔位置和沿海某高层建筑楼顶处的两组台风实测风速序列进行多步提前预测研究。对两组试验的预测结果进行分析,发现基于变分模态分解(variational mode decomposition,简称VMD)的PSO-LSSVM模型具有最佳预测效果。(本文来源于《振动.测试与诊断》期刊2019年05期）
向玲,邓泽奇,赵玥[3]（2019）在《基于LPF-VMD和KELM的风速多步预测模型》一文中研究指出提出了一种基于低通滤波-变分模态分解的风速信号预处理方法。该方法首先从能量的角度直接通过低通滤波筛选出信号的趋势成分,再利用VMD将剩余信号分解成一系列相对平稳的限带内禀模态函数。将该信号预处理方法与核极限学习机结合,建立了风速多步预测模型。为了提高模型的预测性能,采用鸟群算法优化KELM预测模型的4个参数,以最优参数组合建立预测模型。最后以浙江某风电场采集的实际风速数据为例进行预测验证,结果表明所提出的多步预测方法具有较高的预测精度和运行效率。(本文来源于《电网技术》期刊2019年12期）
杨茂,刘慧宇,崔杨[4]（2019）在《基于原子稀疏分解和混沌理论的风电功率超短期多步预测》一文中研究指出为提升大规模风电场风电功率超短期预测精度,减少由风电功率大幅度波动对电力系统带来的不利影响,提出一种基于原子稀疏分解(Atomic Sparse Decomposition,ASD)和混沌理论的风电功率超短期多步预测模型.首先,利用ASD良好的序列趋势跟踪特性,将风电功率时间序列分解成多个原子趋势分量和一个残差随机分量;其次分别利用自适应预测法和混沌理论对两分量进行超短期预测;最后,将两分量的预测结果迭加,得到最终的风电功率预测结果.选取我国东北某区域风电功率数据为例,算例结果表明,相较于传统预测模型,本文的预测方法能够有效地提升大规模风电场风电功率超短期预测精度.(本文来源于《昆明理工大学学报(自然科学版)》期刊2019年04期）
韩红桂,张芊,乔俊飞[5]（2019）在《基于模糊神经网络的膜生物反应器透水率多步预测》一文中研究指出针对污水处理过程中膜生物反应器(Membranebio-reactor,MBR)透水率难以预测的问题,提出一种基于模糊神经网络(Fuzzy neural network,FNN)的多步预测方法。首先,采用主成分分析法(Principal component analysis,PCA)对膜污染中的过程变量降维,得到膜透水率的辅助变量。其次,建立了基于模糊神经网络的透水率软测量模型,实现对当前时刻透水率的预测。最后,设计了一种基于时间差分(Time difference,TD)方法的多步预测模型,通过在迭代预测中更新辅助变量来减少每步的预测误差,进而提升对透水率的多步预测效果。结果表明,该预测方法能够实现对膜透水率的精确多步预测,具有较好的预测精度。(本文来源于《第叁十八届中国控制会议论文集（7）》期刊2019-07-27）
薛普宁,周志刚,蒋毅,陈昕,方修睦[6]（2019）在《基于机器学习的供热系统热负荷多步递归预测》一文中研究指出为预测供热系统的短期热负荷动态概况,提出一种基于机器学习的热负荷多步递归预测策略,该预测策略是对热负荷单步预测模型的拓展。介绍热负荷多步递归预测的流程,该流程可分为4个步骤:数据预处理、数据集划分、模型训练和模型评估。数据预处理细分为特征选择、特征工程和特征变换。在模型训练步骤中,介绍2种机器学习模型:支持向量回归(SVR)和极限梯度提升(XGBoost)。分别利用这2种机器学习模型建立了热负荷单步预测模型,根据建立的单步预测模型,采用提出的多步递归预测策略,可以实现对短期热负荷的动态概况预测。选取某实际供热系统的热源首站的运行数据用于案例分析。结果表明:在预测精度和预测稳定性方面,基于XGBoost的热负荷多步递归预测策略均优于基于SVR的热负荷多步递归预测策略;二者在各时间步长上均未产生明显的误差累积;该热负荷多步递归预测策略可以准确预测供热系统短期热负荷的动态概况。(本文来源于《煤气与热力》期刊2019年07期）
孙怡菲[7]（2019）在《带有模型自校正的永磁同步电动机多步模型预测电流控制》一文中研究指出模型预测电流控制方法具有动态响应快和约束条件灵活多变等优点,引起了众多学者的广泛关注。模型预测电流控制方法所选的最优电压矢量是一个控制周期内的最优,未考虑到未来多个控制周期对当前时刻系统性能的影响,从而导致系统稳态性能较差。针对这一问题,本文以永磁同步电动机为控制对象,研究了一种多步模型预测电流控制方法,该方法同时考虑了最优电压矢量和其他电压矢量所包含的最优信息,确保所选电压矢量在两个控制周期内最优。模型预测电流控制方法是一种依赖预测模型的方法,电动机参数的准确性会直接影响系统的控制性能。同时,为了提高多步模型预测电流控制方法的参数鲁棒性,本文研究了一种带有模型自校正的多步模型预测电流控制方法,利用电感观测算法在线观测出定子电感等效值并校正预测模型,进而通过多步模型预测电流控制算法选择电压矢量输出给逆变器。为了验证带有模型自校正的多步模型预测电流控制方法的可行性和有效性,本文以永磁同步电动机为控制对象,分别在MATLAB仿真软件和两电平电压型逆变器平台上进行了仿真和实验验证。仿真和实验结果表明:相比于模型预测电流控制方法,带有模型自校正的多步模型预测电流控制和多步模型预测电流控制两种方法均减小了直交轴电流脉动;与模型预测电流控制和多步模型预测电流控制方法相比,带有模型自校正的多步模型预测电流控制方法降低了系统对永磁同步电动机定子电感的敏感度,提高了系统的参数鲁棒性。此外,模型预测电流控制、多步模型预测电流控制和带有模型自校正的多步模型预测电流控制叁种方法的平均开关频率大致相同。(本文来源于《西安理工大学》期刊2019-06-30）
胡倩[8]（2019）在《基于多步攻击场景的攻击预测方法》一文中研究指出多步攻击预测是入侵检测的补充,能在一定程度上预防、减少或阻断安全威胁。文中提出了一种基于多步攻击场景的攻击预测方法。该方法采用贝叶斯网络模型来描述攻击场景图,通过挖掘多步攻击间存在的因果关联规则构建因果贝叶斯攻击场景图,在此网络结构的基础上通过攻击证据来推理计算未知攻击发生的概率,对下一步的攻击行为以及攻击者的攻击意图进行预测。最后,通过实验验证了所提方法能够准确地预测下一步的攻击以及攻击者的攻击意图。(本文来源于《计算机科学》期刊2019年S1期）
郭佳,余永斌,杨晨阳[9]（2019）在《基于全注意力机制的多步网络流量预测》一文中研究指出预测资源分配能有效利用无线网络的剩余资源服务非实时业务,其中的关键问题之一是剩余资源的预测,可转化为实时业务流量预测问题。本文把面向自然语言处理提出的全注意力机制引入到时间序列预测问题中,预测未来分钟级时间窗内秒级的流量,通过在每秒记录的实测流量数据集上进行训练和测试,与其他基于循环神经网络和线性、非线性预测模型的方法在复杂度(由训练和测试时间衡量)、预测精度(由平均相对百分比误差衡量)和预测误差统计特性(由预测误差的均值和标准差衡量)等方面进行比较。研究结果表明,与无注意力机制的循环神经网络相比,所设计的基于全注意力机制的方法计算复杂度低,由于多步预测的累积误差,在预测精度方面增益不明显。(本文来源于《信号处理》期刊2019年05期）
蒋美云[10]（2019）在《船舶障碍避让系统中模糊神经网络多步预测模型设计》一文中研究指出水路运输自古以来就是一种非常重要的商品流通途径,对促进经济发展和贸易往来有重要的意义,特别是近年来,经济全球化的趋势不断加强,远洋海上运输成为世界范围内商品贸易的主要途径。在船舶的正常航行过程中,障碍避让是非常重要的性能,是保障船舶安全航行的重要条件。由于船舶在航线航行时,受到许多未知环境的干扰条件因素影响,比如其他船舶、暗礁等,因此,研究船舶的避障技术有重要意义。本文充分利用神经网络算法和模糊算法,对船舶的障碍避让系统进行开发,设计了基于模糊神经网络的船舶障碍避让预测模型。(本文来源于《舰船科学技术》期刊2019年08期）
多步预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对台风风速多步预测中用到的信号分解方法开展对比研究。首先,列举8种典型信号分解方法的特点;其次,基于不同信号分解方法建立经粒子群算法(particle swarm optimization,简称PSO)优化的最小二乘支持向量机(least squares support vector machine,简称LSSVM)预测模型;最后,采用某大跨桥梁主塔位置和沿海某高层建筑楼顶处的两组台风实测风速序列进行多步提前预测研究。对两组试验的预测结果进行分析,发现基于变分模态分解(variational mode decomposition,简称VMD)的PSO-LSSVM模型具有最佳预测效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多步预测论文参考文献
[1].李洲,李春祥.基于改进经验小波变换的非平稳风速多步预测[C].第28届全国结构工程学术会议论文集（第Ⅲ册）.2019
[2].李春祥,李洲.基于多种信号分解的台风风速多步预测[J].振动.测试与诊断.2019
[3].向玲,邓泽奇,赵玥.基于LPF-VMD和KELM的风速多步预测模型[J].电网技术.2019
[4].杨茂,刘慧宇,崔杨.基于原子稀疏分解和混沌理论的风电功率超短期多步预测[J].昆明理工大学学报(自然科学版).2019
[5].韩红桂,张芊,乔俊飞.基于模糊神经网络的膜生物反应器透水率多步预测[C].第叁十八届中国控制会议论文集（7）.2019
[6].薛普宁,周志刚,蒋毅,陈昕,方修睦.基于机器学习的供热系统热负荷多步递归预测[J].煤气与热力.2019
[7].孙怡菲.带有模型自校正的永磁同步电动机多步模型预测电流控制[D].西安理工大学.2019
[8].胡倩.基于多步攻击场景的攻击预测方法[J].计算机科学.2019
[9].郭佳,余永斌,杨晨阳.基于全注意力机制的多步网络流量预测[J].信号处理.2019
[10].蒋美云.船舶障碍避让系统中模糊神经网络多步预测模型设计[J].舰船科学技术.2019
论文知识图
