基于融合算法优化的卷积神经网络预测方法

文章描述:下辈子不做女人陈瑞-约会大作战主题曲2022年4月20日发(作者:memoria伴奏)第52卷第9期2019年9月DOI:10开业软文./tdxbz6天津大学学报(自然科学与工程技术版)JournalofTianjinUniversity(ScienceandTechnology)Vol.52o.9Sep收录唯美图片.2019基于融合算法优化的卷积神经网络预测方法董娜百

下辈子不做女人陈瑞-约会大作战主题曲

基于融合算法优化的卷积神经网络预测方法
2022年4月20日发
(作者:memoria伴奏)

第52卷第9期

2019年9月

DOI:10开业软文.11784/tdxbz201809056

天津大学学报(自然科学与工程技术版)

JournalofTianjinUniversity(ScienceandTechnology)

Vol.52o.9

Sep收录唯美图片.2019

基于融合算法优化的卷积神经网络预测方法

董娜百度360,常建芳,吴爱国

(天津大学电气自动化与信息工程学院,天津300072)

摘要:由于不同气象条件会影响太阳辐照度的有效利用,这制约了太阳能的应用和发展.为了基于不同站点不同

采样时刻的气象属性预测中尺度站的太阳能辐照度屌丝seo,依据传统卷积神经网络的框架汾阳网,建立了一种新型的卷积神经网

络结构并用于太阳能辐照度预测.为了缓解新型网络由超参数选取不当导致预测性能差的问题,利用融合算法对新

型网络的超参数进行优化.为了提高融合优化算法的全局搜索能力,引入帐篷映射对粒子的初始位置和初始速度进

行混沌初始化.首先海口做网站,导入训练集更新新型卷积神经网络框架网站安全扫描,训练结束后导入验证集检验当前模型参数下新型卷

积框架的性能.其次www二级域名,混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型

的超参数多次检验产品网络宣传推广,直至最优的预测模型在验证集上的性能趋于收敛.最后,输出模型的最优超参数,建立太阳能

辐照度预测模型.基于气象实测数据建立太阳能辐照度预测实验,引入其他两种预测方法进行对比仿真研究,并尽

可能复现了EustaquioandTitericz团队的预测方法(GBRT)作为太阳能辐照度预测性能的评估基准.实验数据表明:

混沌融合算法可以有效地提高新型卷积神经网络的预测性能,所提出预测方法的全年太阳能辐照度的均方误差较

GBRT降低25.9%,绝对平均误差较GBRT降低了10.7%;全年太阳能辐照度平均误差率降低了18.4%,误差率小于

0.1的样本量增加了21.1%.

关键词:卷积神经网络;混沌融合算法;参数优化;太阳能辐照度预测

中图分类号:TP183文献标志码:A文章编号:0493-2137(2019)09-0990-09

ConvolutioneuraletworkPredictionMethodBasedonthe

ChaoticHybridAlgorithm

Donga网络整合营销,ChangJianfang关键词竞价排名,WuAiguo

(SchoolofElectricalandInformationEngineering,TianjinUniversity,Tianjin300072,China)

Abstract:Seasonalfactors,suchasseason,climate,clouddensity收录优美的图片网站,andotherclimaticfactors,restrictthestabil-

paper,anovelpredictionmethodbasedontheframeworkoftradi-

tionalconvolutionalneuralnetworksisproposedtopredictthesolarirradianceofmesoscalestatibasedonmete-

orologicaldataobtainedatdifferentsamplingmomentsfromdifferentglobalensembleforecastsystem(GEFS)sta-

viatetheissueofover-fittingorunder-fittingcausedbyimproperselectionofhyperparameters,thecha-

otichybridalgtion网站外链建设,atentmapis

utilized作弊方法,atrainingsetisctructedto

updatethenovelconvolutionalneuralnetworkframework,afterwhichavalidatietisimportedtotesttheper-

,thechaotichybridalgorithmupdatesthehyper

parametersaccordingtothepredictionperformanceofthenovelframeworkontheverificatietuntiltheperform-

ancy,theoptimalhyperparameters

irradiancepredictionexperimentisestablished

basedonmeteorologicaldata,andtwomachinelearningpredictionmethodsseo关键词首页排名,aswellasthepredictionmethod

收稿日期:2018-09-18;修回日期:2018-12-25.

作者简介:董娜(1983—),女请输入关键词,博士百度baidu,副教授,dongna@.

通信作者:常建芳,changjianfang@.

基金项目:国家自然科学基金资助项目(61403274,61773282).

SupportedbytheationalaturalScienceFoundationofChina(oweb前端性能优化.61403274,o负面信息优化.61773282).

2019年9月董娜等:基于融合算法优化的卷积神经网络预测方法·991·

(GBRT)ofEustarquioandTitericz江门网站推广,erimentaldata

demtratethatthechaotichybridalgorithmcaneffectivelyimprovethepredictionperformanceofthenovelframe-

work;specifically网站策略,themeansquarederror(MSE)oftheproposedmethodis25.9%lowerthanthatofGBRT济宁网络,the

meanabsoluteerror(MAE)oftheformerisreducedby10.7%comparedwiththatofthelatter友情链接检测工具,andcomparedwith

GBRT百度链,theaverageerrorrateoftheproposedmethodisreducedby18.4%惊雷算法.Sampleswitherrorrateslessthan0最新关键词.1of

GBRTaccountfor58.525%安徽网站建设,whilethatoftheproposedmethodaccountfor70www baidu com .89%,whichincreasedby21.1%nnt流量.The

experimentalresultsverifytheaccuracyandeffectivenessoftheproposedpredictionmethodinsolarirradiancepredic-

tion.

Keywords:convolutionneuralnetwork;chaotichybridalgorithm;parameteroptimization;solarirradiancepredic-

tion

太阳能作为一种清洁能源受到广泛的关注和研

究.不同气象条件会影响太阳能辐照度的有效利用,

这制约了太阳能的应用和发展.精准有效的预测方法

对太阳能的合理应用至关重要[1-2].

在辐照度预测的研究中,不同站点的气象数据

(甚至同一站点不同采样时刻的气象数据)对太阳能

辐照度的影响不同.少数研究者在数据预处理过程

分析输入数据的重要性,传统的机器学习预测方法,

包括支持向量机[3-6](SVM)和人工神经网络[7-9]

(A),不加区分地将输入属性导入模型训练和测试如何提高alexa排名.

为了缓解该问题并提高太阳能辐照度预测的精确性,

本文利用卷积运算处理不同气象输入数据权重优化,对影响太

阳能辐照度影响大的气象属性赋予合理的权值.

本文提出一种基于混沌融合算法优化的卷积神

经网络框架(convolutionneuralnetworkbasedoncha-

otichybridalgorithm,CHA-C)用于太阳能辐照度

预测.为了提高新型框架的预测精度并缓解由超参

数选取不当引起的过拟合和欠拟合现象badidu,本文采用混

沌融合算法优化其超参数.使用美国气象协会

2013—2014年太阳能预测竞赛数据

[10]作为数据集百度网站收录,

引入其他两种预测方法进行对比仿真研究.本文尽可

能地复现了EustaquioandTitericz团队的预测方法作

为基准点击率最高的网站,实验结果表明本文所提的方法可以精确预测

太阳能辐照度.

图1HOBA中尺度站与周围GEFS站点地理分布示意

Fig百度营销.1GeographicaldistributionofHOBAmesoscale

statiandsurroundingGEFSsites

1新型卷积神经网络框架

1百度的竞价排名.1太阳能辐照度预测

HOBA中尺度站以及周围GEFS站点的地理分

布如图1所示.本文主要基于GEFS1、GEFS2、

GEFS3、GEFS4、GEFS6站点5个采样时刻(世界标

准时间UTC12:00、15:00、18:00、21:00、24:00)的

气象数据预测HOBA中尺度站的太阳能辐照度.气

象数据和太阳能辐照度数据介绍参见文献[10].

1优化网站.2基于气象数据预测太阳能辐照度框架

由于GEFS站点和HOBA中尺度站地理位置信

息不重合,利用GEFS1~GEFS4站点和GEFS6站点

的气象预报数据预测HOBA站点的太阳能辐照度

值.将5个GEFS站点5个采样时刻的15个气象预

报属性构成向量形式搜狗快照,则不同GEFS站点气象数据预

测太阳能辐照度框架如图2所示.

5个GEFS站点15个气象属性在5个采样时刻

的采样值构成1×375的向量,卷积核1的维度为

1×5aizhan,卷积运算的步长设置为5(当某个气象属性卷积

计算结束则跳到下一个气象属性卷积计算,相邻气象

数据之间不做卷积计算)baiidu,故特征向量1的维度为

1×75.因此,特征向量1中每个特征值经过不同站点

气象预报信息卷积计算得到.

类似地名风seo,假设5个GEFS站点apcp_sfc属性在

UTC12:00时刻的采样值为M

meteorology

=(α出售友情链接,β,χ,

δ为什么开网页很慢,ε),其中卷积核1为K

kernel

=(a梧州网站优化,b搜索引擎提交,c网站制作策划,d庆阳网站设计,e).则特征向

量对应位置的计算式为

y

feature

=M

meteorology

⋅K

kernel

=

αa+βb+χc+δd+εe(1)

由式(1)可得随州网站建设,卷积核1相当于不同GEFS站点

气象预报属性对应的权值.因此,训练完成的权值可

·992·天津大学学报(自然科学与工程技术版)第52卷第9期

以反映不同GEFS站点气象预报信息对太阳能辐照

度的影响.所以,在新型卷积神经网络框架的训练过

程中,对太阳能辐照度影响较大的GEFS站点的气象

数据会获得较大的权值.

图2不同GEFS站点气象数据预测太阳能辐照度框架

Fig百度图片推广.2FrameworkforpredictingsolarirradiancefrommeteorologicaldataobtainedbydifferentGEFSs

2混沌融合算法

卷积神经网络的超参数影响模型的预测性能,所

为了设以对卷积神经网络超参数优化至关重要[11].

定最优结构参数和学习参数用于太阳能辐照度预测,

使用混沌融合算法对新型框架的超参数进行优

化.融合优化算法包含粒子算法(particleswarm

optimization网站安全测试,PSO)和遗传算法(geneticalgorithm,

GA).由于新型卷积网络的超参数同时包含了整数

和小数新闻稿发布,故引入GA算法更新粒子信息,使用GA-

PSO融合算法解决超参数的整数规划问题.

2.1混沌初始化

为了提高粒子的全局搜索能力,对粒子的初始位

置和初始速度进行混沌初始化.这里使用帐篷映射

(tentmap)[12]产生混沌变量为

z

n+1

=μ(1−2z

n

−0.5)

当i=1时,式(3)可以产生一个D维的混沌变

量.当i从1迭代至m时,式(3)就可以产生m个D

故生成了由混沌初维的混沌变量z(

j

i)(i=1,2,?,m),

始化的种.然后将上述的混沌变量z(

j

i)(i=1成都seo论坛,2,?宁波网站优化,

m)映射到定义域对应的搜索空间中新闻稿优化,即

x

ij

=x

min,j

+z(

j

i)(x

max广州竞价外包,j

−x

min,j)

j=1百度 搜索,2东seo优化推广,?防城港360网,D

假设映射后的一个D维的混沌向量为

(4)

0≤z

0

≤1,n=1六安网站制作,2,3推56论坛,⋅⋅⋅(2)

这里μ∈(0辽宁网站建设,1)为分叉参数.特别地,当μ=1时如何开机启动优化,

帐篷映射在区间[0www narutom com,1]上表现出完全的混沌动力学与

遍历性.帐篷映射产生的混沌变量表示为

z(

j

i+1)=μ1−2z(

j

i)−0安卓优化大师怎么用.5j=1,2,?,D(3)

x

i2

?x

i7]=[KernelSize1

i

KernelSize2

i

Maps1

i

Maps2

i

Alpha

i

Epoch

i

Batch

i](6)

x

i

=[x

i1

粒子算法中粒子i的初始位置x

i

=[x

i1

x

i2

?x

i7]和初始速度v

i

=[v

i1

v

i2

?v

i7]由上述混

()

x

i

=[x

i1

x

i2

?x

iD]i=1,2,?潮州网络推广,m

(5)

基于不同GEFS站点气象数据预测太阳能辐照

度的研究中将卷积核1维度、卷积核2维度、特征向

量1的组数和特征向量2的组数固定(图2).

采用KernelSize1代表卷积核3的维度,

KernelSize2代表卷积核4的维度.采用Maps1和

Maps2分别代表特征向量3的组数和特征向量4的

组数.采用Alpha代表学习率,Epoch代表迭代次

数帮站效果好,Batch代表训练批(束)的大小.KernelSize1、

KernelSize2、Maps1、Maps2、Alpha、Epoch和Batch

是新型框架的超参数,把它们定义为一个7维的混沌

向量x

i

,即

2019年9月董娜等:基于融合算法优化的卷积神经网络预测方法·993·

沌初始化生成.本节中对学习率Alpha不限制数据类

型seo怎么优化,而其他超参数需要限制为整数.最终危机公关策划,由混沌初

始化得到了粒子算法中粒子i的初始位置

x

i

=[x

i1

x

i2

?x

i7]和初始速度v

i

=[v

i1

v

i2

?v

i7].

2.2融合优化算法

由混沌初始化得到粒子i的初始位置

x

i

=[x

i1

x

i2

?x

i7]和初始速度v

i

=[v

i1

v

i2

?v

i7].利用

粒子的初始位置x

i

=[x

i1

x

i2

?x

i7]信息建立卷积神经

网络.训练建立好的卷积神经网络并计算它在验证

集上的预测误差fit=

1batch

batch

∑t(i)−y(i)

i=1

t(i)

seo见到效果再付费,其中batch

是训练批(束)中的样本量,t(i)为预测真实值,y(i)为

预测值.将fit定义为粒子算法中的适应度函

数.在当前的迭代之前南昌网站优化,粒子i的历史位置中适应度

函数fit最优的位置信息被定义为个体最优点P

[i

=

p

i1

p

i2

?p

i7]论坛营销公司,所有粒子的历史位置中适应度函数

fit最优的位置信息被定义为全局最优点P

g

=

p

g1

p

g2

?p

g7

百度是什么.则第i个粒子的速度更新公式为

v

id

(t+1)=c

0

v

id

(t)+

c

1

(p

id

-x

id

(t))+c

2

(p

gd

-x

id

(t))

(7)

新型卷积神经网络超参数优化属于包含整数和

小数的混合整数规划问题.如果将c

0

、c

1

、c

2

设置为

0~1之间的小数会改变粒子信息中整数的数据类

型,如果将其设置为整数会使粒子更新速度过快且很

难收敛.故融合优化算法中引入遗传算法的交叉变

异操作更新粒子速度.将p

id

和x

id

(t)进行二进制编码

并实施遗传算法的交叉操作代替p

id

-x

id(t)运算;将

p

gd

和x

id

(t)进行二进制编码并实施遗传算法的交叉

操作代替p

gd

-x

id

(t)运算;将v

id

进行二进制编码,将

它设置为单个个体江门网站制作,个体染体每个基因(待优化的

超参数)的最后1位实施随机变异操作,产生的解

v

id

(t+1)为更新的速度.使用遗传算法交叉变异操作

更新粒子速度的方法不改变待优化参数的数据类

型.位置更新公式为

x

id

(t+1)=x

id

(t)+v

id

(t+1)

v

max

v

id

>v

max

v

id

=

−v

max

v

id

<−v

max(8)

v

id

v

id

≤v

max

当fit满足预测的精度要求或融合优化算法达到

最大迭代次数网络营销新闻,优化算法将终止迭代.最优粒子信息

会被用来建立网络结构.

3太阳能辐照度预测仿真实验

本节将HOBA中尺度站的太阳能辐照度和周围

GEFS站点的气象数据作为数据集(2008年之后的太

阳能辐照度未公开),1994年1月1日—2004年12

月31日的样本作为训练集.将2005年1月1日—

2006年12月31日的样本作为验证集,CHA-C

基于验证集搜索最优的超参数.将2007年的样本作

为测试集网络营销推广的具体方法.

3新密网.1性能指标与对照实验

均方误差(MSE)和绝对平均误差(MAE)作为误

差评价指标,本文定义了平均误差率(averageerror

rate网络舆情监测报告,AER)和误差率小于0.1的预测成功率(rateof

success,RS)两个评价指

标博客怎么推广,其计算式分别为

Er=

Y

pre

−Y

real(9)

Y

real

um

AER

=

∑Er

i=1

(i)

(10)

um

num(error_rate

<

0pr劫持.1)

RS

=

um

(11)

式中:Y

pre

为预测输出;Y

real

为真实值;Er为每个预测

样本的误差率;um为预测结果的样本数;num为误

差率小于0东百度.1的预测样本数.

本文尽可能地复现了EustaquioandTitericz团

队[13](第1名)的预测方法作为参考.使用A、K-

means_RBF算法建立基于气象数据的太阳能辐照度

预测对照实验,对照实验参数设置如表1所示.其

中,使用经验参数设置的新型卷积神经网络框架

C预测方法也引入对照实验.

表1对照实验参数设置

Tab网络销售方案.1Parametersettingsofcontrolexperiments

对照实验参数设置

最大训练次数trainParamepochs为500

A[7]训练精度trainParamgoal为0.001

学习率learningrate为0如何发布网站.1

密度系数densitycofficient为0

重叠系数overlapcoefficient为1

K-means_RBF[9]

簇半径clusterradius为1

最大训练次数trainParamepochs为500

训练精度trainParamgoal为0zblog.001

学习率learningrate为0随州网络公司.1

GBRT[13]EustaquiocandTiteriz团队参数

3.2太阳能辐照度预测实验结果

基于不同GEFS站点气象数据预测太阳能辐照

度的实验结果如图3和图4所示,输出的误差曲线如

·994·天津大学学报(自然科学与工程技术版)第52卷第9期

图5和图6所示.对照实验中各类预测方法的性能

指标如表2~表5所示.

由图3~图6可得九江网站建设,CHA-C、C、GBRT预

测方法的误差波动相对最小,A和K-means-RBF

算法在部分样本点出现较大的误差.几种方法同时

在一些样本点出现了相同方向的误差网络行销,由于CHA-

C通过混沌融合算法不断调整卷积网络的超参

数,使网络的超参数适合样本数据集,故CHA-C

预测方法在这些样本点上偏差最小.对照实验中

C采用经验参数设置超参数,本文中尽可能地提

高C框架的准确性商丘网站优化,但经验参数设置的新型框架

的预测性能仍差于融合算法优化的新型框架.A

和K-means-RBF则在这些较难预测的样本上出现了

较大的偏差.

(a)1月(b)2月(c)3月

(d)4月(e)5月(f)6月

图3上半年预测输出对比曲线

Fig友情链接交易.3Comparisonofpredictioncurvesforthefirsthalfoftheyear

(a)7月(b)8月(c)9月

(d)10月(e)11月(f)12月

图4下半年预测输出对比曲线

Fig.4Comparisonofpredictioncurvesforthesecondhalfoftheyear

2019年9月董娜等:基于融合算法优化的卷积神经网络预测方法·995·

(a)1月(b)2月(c)3月

(d)4月(e)5月(f)6月

图5上半年预测输出误差对比

Fig北京优化公司.5Comparisonofpredictionerrorsforthefirsthalfoftheyear

(a)7月(b)8月(c)9月

(d)10月(e)11月(f)12月

图6下半年预测输出误差对比

Fig.6Comparisonofpredictionerrorsforthesecondhalfoftheyear

表2第1季度性能指标对比

Tab.2Performanceindicesforthefirstquarter

1月

预测方法

MSE

MAE/

(MJ·m-2)

RS/%AERMSE

2月

MAE/

RS/%AER

(MJ·m-2)

2.6414企业推广网.29

1.9649软文广告范文.29

2自媒体推广活动.14546.43

3360与百度.8557.14

3seo排名软件.61621.43

0如何快速收录.316

0巢湖网.233

0.269

0关键词优化怎样.465

0.478

MSE

3月

MAE/

RS/%

(MJ·m-2)

AER

0盘锦网.252

0白城360网站.22

0上海seo服务.297

0金华网.535

0.595

GBRT2苏州优化网站.44×10121.363

CHA-C1江西网站制作.22×10120.827

C1.45×10120.832

A4网络的好处.79×10121网站推广途径.783

K-means-RBF4.74×10121.712

54西安网站推广.120.0971.11×1013

80.650.0825.92×1012

80百度.450.0817滨湖网.87×1012

45.160莱芜网络推广.1722谷歌英文网.01×1013

38提升关键词排名.710.1772.16×1013

5网站统计工具.95×10122北海网.01554介休网.84

7seo数据监控.69×10122.09848鹤乡网站.39

6刷百度下拉.55×10122.08747.61

1.97×10133百度快照是什么.51429.03

2火车头采集教程.42×10133.59232百度竞价代理.26

·996·天津大学学报(自然科学与工程技术版)第52卷第9期

表3第2季度性能指标对比

Tab杭州seo博客.3Performanceindicesforthesecondquarter

4月

预测方法

MSE

MAE/

(MJ·m)-2

5月

RS/%AERMSE

MAE/

(MJ·m)-2

6月

RS/%AERMSE

MAE/

(MJ·m-2)

RS/%AER

GBRT1.01×10132谷歌seo优化策略.32550.000seo赚钱培训.1349app推广.06×1012

CHA-C6新闻事件营销.82×10122百度采购.04473.330.1054.05×1012

C1.67×10132.77766网站排名.670网站排名.1463.59×1012

A2邢台百度推广.61×10134网络推广电话.23730软文链.000搜索引擎优化技术.2251厦门seo顾问.55×1013

K-means-RBF2.61×10134网络营销的概念.13636百度收录入口.670www baidu com .2381百湖网.95×1013

2.39561.290360搜索引擎怎么样.1083什么是互动营销.52×10122.743160.000.124

1.59177上海网址.420seo案例.0903.35×10121淘宝关键词查询.397088.330网站分析.057

1桂林网站排名.65583深圳seo培训.870cmd5在线解密.0926.84×10121推广资源.434086.670福建seo.066

3汕头建网站.40135.480.1849.85×10122.372073seo李守洪排名大师.330关键词价格.100

3.68338营销技巧.710index baidu com.2149.8×10122.320076东关键词排名.670.099

表4第3季度性能指标对比

Tab.4Performanceindicesforthethirdquarter

7月

预测方法

MSE

MAE/

(MJ·m-2)

RS/%AERMSE

3网站推广软件有哪些.46×1012

3.07×1012

8十堰网.31×1012

2百度网站.12×1013

1自己建立网站.19×1013

8月

MAE/

(MJ·m-2)

RS/%AERMSE

9月

MAE/

(MJ·m-2)

RS/%AER

GBRT3.82×10122怎样推广品牌.361774.190国外推广.089

CHA-C3雷俊聪.36×10121东营seo.408087卖链接.100.063

C3网店推广技巧.73×10121.447083.870深圳做网站推广优化.067

A1效果付费.70×10132可以发表文章的网站.832067.740莆田网站建设.128

K-means-RBF1大型网站制作.14×10132seo外链怎么发.431064baidu ocm.520.113

1网络广告优势.897664seo站长联盟.190如何推广网上商城.0866seo查询.37×10121.74173.670百湖网.145

1百度优化公司.250083长尾词库.870.0808网站优化排名软件.47×10122什么叫网站优化.00266.670十堰网站建设.206

1收录批量查询.912070.970.1257.91×10121seo案例分析.73763网站推广软文范例.330.166

3seo外链代发.232048.390热门关键词排名.1801.65×10133google 排名.49330荥阳seo.000南川网站.259

3.456045.160.1911seo诊断分析工具.51×10133古交网.00936百度数据研究中心.670.235

表5第4季度性能指标对比

Tab.5Performanceindicesforthefourthquarter

10月11月12月

预测方法

MSE

MAE/

(MJ·m-2)

RS/%AERMSE

MAE/

(MJ·m-2)

RS/%AERMSE

MAE/

(MJ·m-2)

RS/%AER

GBRT4成都竞价托管哪家好.36×10121999ask.17364谷歌图片搜索引擎.520网络营销理论.1516.95×1012

CHA-C2北海网站建设.76×10121.31364.520.1302在线seo外链工具.48×1012

C3.72×10121湖南网络营销.42164.020上海网址.1423.42×1012

A1百度关键词工具.12×10132.72532肇庆seo.260.269知更鸟主题.18×1012

K-means-RBF1baiduspider.04×10132第一站长论坛.45845昆明网站优化.160百度负面处理.2499.28×1012

1.06066.670ibook8.3382.05×10121盐城网.08564内容营销.520关键词 摘要.248

1苏州sem.18166优化营销.670.1992.02×10121刷关键字排名.11364.520.240

1.30366.670东seo优化排名.2492谷歌国外推广.30×10121宝应seo.18954厦门seo培训.840辽宁网.243

2网站安全扫描工具.21940seo门户.000.3939.41×10122sem搜索引擎营销.32338广州seo顾问.710什么是整合营销.493

2上海做网站公司.11550怀化网络推广.000.3908.79×10122上海搜索引擎优化.16332刷点击率.260百度专区.414

由表2~表5可得谷歌广告,5—8月太阳能辐照度月平

均MAE相对较大,但是由于这些月份的太阳能辐照

度丰富seo chinaz com,所以不同方法预测样本误差率小于0.1的样

本比例(RS)更大南昌高端网站建设,误差较大而平均误差率较小;1—2

月和11—12月太阳能辐照度月平均MAE相对较

小,但是这些月份的太阳能辐照度匮乏网络优化大师,预测误差与

太阳能辐照度总量的比值较大.所以不同预测方法

在这些月份虽然预测误差小但预测精度低.其中

CHA-C的预测性能最优,它的预测性能指标在

多个月份呈现最优.由于使用融合优化算法优化网

络的超参数,所以CHA-C的整体预测性能优于

C.

3百度开户电话.3卷积核可视化

由式(1)可得,新型卷积神经网络框架中K

kernel

当于GEFS3站点不同采样时刻气象预报信息对应的

权值.本节将融合优化算法中最优的10个粒子信息

对应的卷积神经网络训练后的K

kernel

可视化,以验证

基于不同时刻气象数据相关性分析的太阳能辐照度

预测方法的有效性.由于卷积核的权值分布不同,所

以在可视化时将权值映射到[0,1].卷积核1可视化

如图7(a)所示廊坊seo,卷积核2可视化如图7(b)所示.

HOBA站点和GEFS3站点距离最近百度索引量,图7中

GEFS3站点的气象数据对应的权值较大,表明

GEFS3站点的气象数据对HOBA中尺度站太阳能辐

照度的影响较大.同时下拉框,太阳能辐照度预测结果也验

证了提出预测方法的有效性.类似地,卷积核2的权

值可视化中采样时刻UTC12:00和UTC24:00相应

的权值比较小,说明这两个采样时刻气象数据对太阳

能辐照度的影响较小.采样时刻UTC15:00、

UTC18:00和UTC21:00相应的权值较大,说明这3

个采样时刻气象预报数据对太阳能辐照度的影响较

大.事实上顽石seo,采样时刻中仅有UTC15:00、UTC18:00

和UTC21:00太阳辐射强,太阳能辐照度稳定seo手段,这时

的气象预报数据和太阳能辐照度影响较大.

2019年9月董娜等:基于融合算法优化的卷积神经网络预测方法·997·

(a)卷积核1可视化

(b)卷积核2可视化

图7卷积核可视化

Fig莱芜网站建设.7Kernelvisualization

3seo经理.4预测结果对比

各类算法在测试集样本的平均绝对误差(MAE)

如图8所示网站建设流程,其中GBRT为复现的竞赛获胜者的预

测方法.

图8误差对比曲线

Fig.8Comparisonofmeanabsoluteerrors

如图8所示博客发,5—8月太阳能辐照度丰富搜索引擎营销案例,多变的

天气给预测模型引入了干扰,所以GBRT预测方法

在5—8月出现了较大误差.文中尽可能地提高A

和K-means-RBF预测方法的精度成都优化,但仅在1月、5—

7月能达到竞赛获胜者的预测精度sem公司,其他月份都出现

了较大预测偏差.新型卷积神经网络框架为不同站

点和不同采样时刻的气象数据赋予合理的权值推广链接,所以

C和CHA-C预测方法整体预测性能优于其他

方法.由于CHA-C引入混沌融合算法优化新型

卷积框架的超参数伊春网,CHA-C的预测性能优于

C.综述太阳能辐照度预测实验结果软文链,所提出的融

合算法优化的卷积神经网络框架在不同气象条件下

的辐照度预测中有准确的输出结果.

4结语

本文提出一种基于混沌融合算法优化的卷积神

经网络框架用于太阳能辐照度预测.为了提高新型

框架的预测精度并缓解由超参数选取不当引起的过

拟合和欠拟合现象网站推广赚钱,本文采用混沌融合算法优化其超

参数.美国气象协会2013—2014年太阳能预测竞赛

数据作为数据集,引用其他两种预测方法进行对比仿

真研究泉州关键词优化,复现了EustaquioandTitericz团队的预测方

法作为太阳能辐照度预测性能的评估基准.实验结

果表明本文提出的方法可以精准预测太阳能辐照度,

并可以适应不同气象条件下的预测任务.

参考文献:

[1]田翠霞百度收录提交入口,黄敏购物网站建设,朱启兵.基于EMD-LMD-LSSVM

联合模型的逐时太阳辐照度预测[J]www baid.太阳能学报打开网页速度慢,

2018404 not found怎么解决,39(2):504-513博益网首页.

TianCuixia在线seo外链工具,HuangMin,ZhuQibing,Hourlysolarir-

radianceforecastbasedonEMD-LMD-LSSVMjoint

model[J].ActaEnergiaeSolarisSinica,2018,

39(2):504-513(inChinese)seo实战密码.

[2]孟品超,李学源,贾洪飞文章代,等电子商务网站推广方案.基于滑动平均法的轨

道交通短时客流实时预测[J].吉林大学学报:工学

版竞价开户推广,2018,48(2):448-453白山网.

MengPinchao郑州百度推广,LiXueyuan百度登陆,JiaHongfei,-

timerailtransitpassengerflowreal-timepredictionbased

onmovingaverage[J].JournalofJilinUniversity:

EngineeringandTechnologyEdition站长基地,2018深圳网站推广公司,48(2):

448-453(inChinese).

[3]黄璇刷百度快照,郭立红,李姜seo如何优化,等

关键词工具.改进粒子优化BP

神经网络的目标威胁估计[J].吉林大学学报:工学

版,2017,47(3):996-1002.

HuangXuan,GuoLihong搜索引擎快速优化,LiJiang搜索引擎排名,

threatassessmentbasedonBPneuralnetworkoptimized

bymodifiedparticleswarmoptimization[J]信宜网.Journalof

JilinUniversity:EngineeringandTechnologyEdition,

2017,47(3):996-1002(inChinese)网站检测.

[4]郭伟网络营销知识,李明家,李涛,等.基于APSO_

WLSSVM算法的HammersteinARMAX模型参数辨

·998·天津大学学报(自然科学与工程技术版)第52卷第9期

识[J].中国科技论文,2018,13(2):136-143.

GuoWei快照优化,LiMingjia,LiTao重庆seo博客,teridenti-

ficationofHammersteinARMAXmodelbasedon

APSO__WLSSVMalgorithm[J]危机处理的公关技巧.ChinaSciencepaper,

2018,13(2):136-143(inChinese)alexa 网站排名.

[5]manceofAlzheimerdiseaseclassification

basedonPCA,LinearSVM,andmulti-kernel

SVM[C]//TheEighthInternationalConferenceon

UbiquitousandFutureetworks,,

Austria飓风算法,2016:987-989pagerank.

[6]ZhouY5118,CuiX西安网站优化,HuQ,edmulti-kernel

SVMformultimodalandimbalanceddialogueactclassi-

fication[C]//InternationalJointConferenceoneural

ney,Ireland,2015:1-8.

[7]RabbiKM,andiIwww baidu com 百度,SalehAS网络营销途径,tionof

solarirradiationinBangladeshusingartificialneural

network(A)

anddatamappingusingGIStechnol-

ogy[C]//DevelopmentintheinRenewableEnergy

Technology百度推广价格表,余姚网站推广,Bangladesh关键词挖掘工具哪个好,2016:1-6.

[8]Anamika英文seo,Kumar,tionandeffi-

ciencyevaluationofsolarenergyresourcesbyusing

mixedAandDEAapproaches[C]//PesGeneral

MeetingConference&Exposition.ationalHarbor网络推广宣传,

MD博客发工具,USA,2014:1-5商洛网站建设.

[9]YadavAK,MalikH扬州百度,edpredic-

tionofdailyglobalsolarradiationforphotovoltaicsap-

plicati[C]//IndiaConference百度一下首页,hi新闻营销的优势,

India,2016:1-5邵阳百度.

[10]AMS2013—2014solarenergypredictioncontest百度推广效果,

forecastdailysolarenergywithanensembleofweather

models[EB/OL]渭南百度.https:///c/ams-2014-

solar-energy-prediction-contest,2014做优化.

[11]ChiangHDseo成都,ChenLG榆树网,LiuRP,-based

chaosgeneticalgorithmandnon-linearensembleofneu-

ralnetworksforshort-termloadforecasting[J].IET

GenerationTransmission&Distribution,2016,

10

(6):1440-1447东推广.

[12]ZhangH谷歌竞价,ShenJH,ZhangT,oved

chaoticparticleswarmoptimizationanditsapplicationin

investment[C]//InternationalSymposiumonComputa-

tionalIntelligenceandDesign网络推广大熊猫优化,冯东阳博客,China大冶网,

2008:124-128网站建设风格.

[13]McgovernA,GagneDJ,EustaquioL如何开机启动优化,

energyprediction:Aninternationalcontesttoinitiatein-

terdisciplinaryresearchoncompellingmeteorological

problems[J].BulletinoftheAmericanMeteorological

Society,2012,96(8):1388-1393.

(责任编辑:孙立华)

赵文卓资料-蔡徐坤新歌标签

基于融合算法优化的卷积神经网络预测方法

发布时间:2022-04-20 20:52:04
文章版权声明:除非注明,否则均为IT技术网-学习WEB前端开发等IT技术的网络平台原创文章,转载或复制请以超链接形式并注明出处。

发表评论

评论列表 (有 12 条评论,464人围观)
guardrailV铁粉28 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
混沌融合算法依据新型卷积神经框架在验证集上的预测性能更新模型的超参数.对更新模型的超参数多次检验产品网络宣传推广
金华电影院V铁粉11 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
andotherclimaticfactors
高血脂食疗V铁粉25 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
ε)
朱雯和朱静V铁粉26 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
c1
西宁租房V铁粉11 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
atrainingsetisctructedtoupdatethenovelconvolutionalneuralnetworkframework
一万元存一年利息V铁粉13 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
c网站制作策划
通行证帐号V铁粉23 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
?
哈纳斯V铁粉22 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
常建芳
碘酊V铁粉17 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
卷积核1相当于不同GEFS站点气象预报属性对应的权值.因此
白萝卜的功效V铁粉23 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
包括支持向量机[3-6](SVM)和人工神经网络[7-9](A)
高血压病例V铁粉2 minutes ago Google Chrome 93.0.4577.82 Windows 10 x64
themeansquarederror(MSE)oftheproposedmethodis25.9%lowerthanthatofGBRT济宁网络

最近发表

随便看看

热门文章

标签列表