ZStack-CC2530-2.3.0-1.4.0

sqlite经典书籍

基于卷积神经网络的图像识别 基于卷积神经网络的图像识别关于学位论文独创声明和学术诚信承诺本人向河南大学提出硕士学位申请。本人郑重声明:所呈交的学位谂文是本人在导师的指导下独立完成的,对所研究的课题有新的见解。据我所知,除文中特别加以说明标注和致谢的地方外,论文中不包括其它人已经发表或撰写过的研究成果,也不包括其它人为获得任何教育、科研机构的学位或证书而使用过的材料。与我一同工作的同事对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意在此本人郑重承诺:所呈交的学位论文不存在舞弊作伪行为,文责自负。学位申请人(学位论文作者)签名:亚强2015年5月20日关于学位论文著作权使用授权书本人经河南大学审核批准授予硕士学位。作为学位论文的作者,本人完全了解并同意河南大学有关保留、使用学位论文的要求,即河南大学有权向国家图书馆、科研信息机构、数据收集机构和本校图书馆等提供学位论文(纸质文本和电子文本)以供公众检索、查阅。本人授衩河南大学出于宣扬、展览学校学术发展和进行学术交流等目的,可以采取影印、缩印、扫描和拷贝等复制手段保存、汇编学位论文(纸质文本和电子文本)(涉及保密内容的学位论文在解密后适用本授权书)学位获得者(学位论文作者)签名:卫2015年5月20日学位论文指导教师签名:2015年5月20日摘要Deep learning是机器学习研究的新领域,掀起了机器学习的新浪潮,在各个行业都受到了广泛的关注。 Google brain项目、微软全自动同声传译系统、百度硏究院等都是 deep learning技术发展的见证。随着大数据和深度模型时代的来临,deeplearning技术也得到了广泛的重视和发展,它带来的技术进步也必将改变人们的生活随着机器学习领域的发展,最近几年对卷积神经网络的研究也越发深入。现在卷积神经网络已经广泛的应用到各种领域,并取得了巨大的成果。卷积神经网络是在人工神经网络的基础上发展起来的·种高效的识别算法。典型的积网络结构是由 Lecrn提出的 LeNe t-5,它包含多个阶段的卷积和抽样过程,然后将提取到的特征输入到全连接层进行分类结果的计算。卷积神经网络通过特征提取和特征映射过程,能够较好的学习到图像中的不变特征。现在研究人员在典型的 LeNet5的基础上,使用多种方法改善卷积网终的结构和性能,从而提高网终的通用性和对图像的识别效果。本文结合图像的特点,在深入硏究了卷积网络的理论和国内外研究成果的基础上主要做了以下工作:(1)研究了卷积网络的训练算法,通过对算法分析,调试并找到最优初始化参数和最适应的网络结构配置。(2)对于分类结果的计算,使用了多区域的测试方法,通过在测试的过程中对图像的多个区域进行计算能够提高图像识别的准确率。〔3)为系统设计了一个通用的数据集输入接口,可以将自己构建的图像薮据集输入到卷积神经网络的结构中,训练和查看图像分类的结果。(4)在卷积层使用了局部偏差垬亨和非共亨两种方法,在数据集上测试并进行结果分析。(5)在隐含层使用了网络泛化的方法 DROPOUT,在数据集上测试并进行结果分析。通过以上改进方法的使用,卷积网络的通用性和性能得到了提高。关键词:,图像识别,特征提取

在MATLAB/Simulink环境下，建立了SRD系统仿真仿真模型，包括SRD模型、变流器的模型和位置传感器的模型等。

加速度计 陀螺仪 卡尔曼滤波算法 一阶互补滤波 算法代码

本文主要介绍了车辆动力学及控制，主要内容包括车辆侧向动力学、自动车道保持的转向控制、车辆纵向动力学、车辆纵向控制、自适应巡航控制等等。汽车先进技术译从车辆动力学及控制(美) Rajesh Rajamani著王国业江发潮等译机械工业出版社本书主要讨论了足以体现车辆动力学特征的,而且能够满足设计车辆控制系统需要的车辆动力学模型,给出了这些模型的特性,和由这些模型开发出的实际汽车控制系统的基本结构。本书涵盖了巡航控制、自适应巡航控制、制动防抱死系统、车道自动保持系统、高速公路自动行驶、横摆稳定性控制、发动机控捌、被动悬架、主动悬架和半主动悬架、轮胎模型以及轮胎路面参数识别,书中特别介绍了几种目前科研中经常采用的轮胎模型。本书可供汽车行业和大专院校里从事控制系统研究的工程师和专家们参考,也可用作汽车专业研究生的教材。Vehicle Dynamics and ControlRajesh RajamaniOriginal ISBN 9780-387-26396-9Translation from the English language edition:Vehicle Dynamics and Control by Rajesh RajamaniCopyright Rajesh Rajamani 2006Published by Springer Science Business Media, InAuthorized Simplified Chinese edition is published by cmP,All Rights Reserved本书中文简体版由 Springer出版社授权机减工业出版社独家出版发行版权所有,侵权必究。北京市版权局著作权合同登记号:01-2009-3284图书在版编目(CI)数据车辆动力学及控制/(美)拉贾马尼( Rajamani,R)著:王国业,江发潮等译北京:机械工业出版社,2010.11(汽车先进技术译丛书名原文: Vehicle Dynamics and ControlIsBN9787-11l-31283-3I.①车…Ⅱ.①拉…②王…③江…Ⅲ①汽车—动力学Ⅳ.①U461.1中国版本图书馆CI数据核字(2010)第132639号机被工业出版社(北京市百万庄大街22号邮政编码10007)策划编辑:徐巍责任编辑:刘煊版式设计:霍永明责任校对:刘怡丹封面设计:鞠杨责任印制:杨曦北京中兴印刷有限公司印刷2011年1月第1版第1次印刷169mm×239mm,19印张·369千字00g1—3000册标准书号:ISBN978-7-111-31283-3定价:5900元凡购本书,如有缺页、倒页、脱页,由本社发行鄧调换电话服务网络服务社服务中心:(010)88361066销售一部:(010)68326294门户网:htp://w.cmpbook.com销售二部:(010)88379649教材网http://www.cmpedu.com读者服务部:(010)68993821封面无防伪标均为盗版译者的话本书论述了能足以体现车辆动力学特征、满足车辆控制系统设计需要的车辆动力学模型的建立方法以及车辆动力学控制系统的设计。本书较其他同学论若具有深入、系统和实用的特点,是一本既有理论研究意义又有实际应用价值的参考书。Rajamani教授是明尼苏达大学机减工程系先进控制和微型传感器实验室主任, IEEE/ ASME学报编委。我们关注 Rajamani教授的研究是从2002年他发表的“基于GPS实时识别轮胎-路面摩擦系数”的文章开始的, Rajamani教授长期从事车辆控制技术领域的研究,发表重要论文70余篇,涉及到本书内容的主要方面。2006年我们在网上查到此书,看后觉得此书具有理论研究和实际应用价值,对我国从事车辆动力学及其控制领域的科研人员会有具体指导和帮助,于是有了翻译此书的想法。翻译和出版工作得到机械工业出版社汽车分社的大力支持,在此表示由衷感谢。本书第1章、第2章、第3章、第6章、第7章、第8章由王国业翻译,第4章、第5章、第9章、第10章由江发潮翻译;第11章、第12章、第13章第14章由侯春敏翻译,李淑艳老师审译了部分章节,樊月珍老师参与了本书的部分翻译工作。全书终稿由中国农业大学余群教授审阅,叶阳、曾蔚英、付燕荣、李元、章娟丽、刘恩托、朱妮、付晓丹、肖龙等参与了本书的部分翻译整理工作,在此表示感谢由于水平所限,本书难免有翻译不当之处,欢迎读者提出宝贵意见。译者言作为一名车辆工程专业研究生的指导教师,我经常觉得需要一本对有关汽车控制系统的研究成果及其应用进行总结,以及建立开发这些系统所需的车辆动力学模型的论著。已经出版的为数不多的几本介绍车辆动力学的论著已远远不能满足当今车辆控制系统工程师的需要。车輛控制系统工程师们需要既简单又足以体现车辆动力学特征的,最主要地还要满足设计车辆控制系统需要的车辆动力学模型。本书将试图介绍这样的模型,以及由这些模型开发出的实际汽车控制系统。本书涵盖了巡航控制、自适应巡航控制、制动防抱死系统、车道自动保持系统、高速公路自动行驶、横摆稳定性控制、发动机控制、被动悬架、主动悬架和半主动悬架、轮胎模型以及轮胎一路面参数识别。本书特别介绍了几种在文献中经常采用的轮胎模型。随着汽车在全球范围内应用日广,发展能够更好地适应公路系统,更节能、更舒适、更安全,同时对环境的破坏达到最小的交通体系就显得更加重要。为了达到这诸多方面的,甚至互相冲突的要求,现代汽车越来越倚重于综合应用传感器、调节器和反馈控制的电子控制系统。本书适合供那些在汽车行业和大专院校里从事这类控制系统研究的工程师和专家们参考,同时也适合作为车辆动力学和控制方向的研究生教材。在本书出版后如果发现有排版错误和其他错误将会在下面的网址上及时改Eohtlp://www.menet,utmulledu/wrajamani/vde.htrula如果读者发现了这些错误能够告知我们,我们将会很感激。Rajesh Rajamani译者的话前言第1章概论画画画画画画画b画面晶面量垂西酯面鲁1.1驾驶员辅助系统n■t非自聊t·虚章。售日·申量F·鲁,,·鲁费鲁日···。里自甲日····翻1.2主动稳定性控制系统……1.3平顺性……1.4用于解决交通堵塞的技术着福日画_a自面a自ma曲自at_幽由■面。■1虚自面_虚虚曲自鲁1.4.1自动化公路系统……··。如口·着。中自··由·非·“非·自非abt·士;普1.4.2“交通友好”的自适应巡航系统1.4.3窄型工勤车辆倾斜控制日章∮,面P鲁曹鲁鲁·音·曾1.5排放和燃油经济性……画··。画看·画翻福而福藤·酯番酯串■着昌■备晶鲁音看串看非。着自着即息是t自自1.5.1混合动力汽车…1.5.2燃料电池汽车咖_物鲁咖D自t曲自电P翻4567888参考文献第2章车辆侧向动力学画“面垂“垂画“由音晋音画面音“请普非音番自面音“普普香F;新鲁音曹鲁鲁鲁鲁2.1商业应用开发中的汽车侧向运动控制系统2.1.1车道偏离预警系统2.1.2车道保持系统122.1.3横摆稳定控制系统132.2车辆侧向运动的运动学模型……………………………………………142.3两轮车辆侧向动力学的模型…2.4相对旋转坐标系中点的运动222.5关于路面误差力学模型的讨论……………………………;……232.6动力学模型中的横摆角速度和侧偏角的讨论………2627从车辆坐标系到地面坐标系………………272.8路面模型中:要幽妻脂中着康曹垂萨曹萨者要p曹普鲁,中曹沿。围自·看_“翻d垂垂更吾道垂音自垂曹业函,2.9本章小结参数表参考文献32Ⅵ车辆动力学及控制第3章自动车道保持系统的转向控制·着费·新单和着群;音「+吾吾吾请·非非自音343.1状态反馈343.2动力学方程的稳态误差……………………363.3稳态转向…………………………………393.3.1稳态转向的转向角393.3.2方向角误差能否达到零值…423.3.3非零方向角误差的影响=“m“++..=4·:.:.;4:·:···罗3.4考虑不同的纵向速度433.5输出反馈3.6全反馈闭环系统………………………443.7比例控制闭环系统分析473.8带超前补偿器的回路分析……523.9带超前补偿器的仿真性能……553.10闭环系统性能分析……………………………………563.10.1随车速的性能变化…563.10.2随传感器位置的性能变化…583.1I带超前传感器测量的补偿器设计………593.12本章小结…………………………………………………………60参数表61参考文献∵…………………62第4章车辆纵向动力学4.1整车纵向动力学644.1.1空气阻力■■面654.1.2轮胎纵向力……………………………………………………………664.1.3纵向轮胎力和滑动率之间的依赖关系684.1.4滚动阻力∴………………--4694.1.5法向载荷的计算…………………………………………………714.1.6轮胎有效半径计算4.2传动系统动力学…………………734.2.1变矩器………………………………………………………744.2.2传动系的动力学模型754.2.3发动机动力学…………………74.2.4轮胎动态性能774.3本章小结………………"78參数表目录Ⅶ参考文献自要面世曾曾t世d百哥;,.79第5章车辆纵向控制815.1引言……………………………………………………815.1.1自适应巡航控制系统…815.1.2避撞系统…画福音画看新面晶825.1.3自动化公路系统5.2纵向自动控制的优点……………………835.3巡航控制系统士由…845.4巡航控制系统的上层控制器…………855.5巡航控制系统的下层控制器e:曹e4吾垂普看!串·垂事当星量■看『四■鲁875.5.1根据期望加速度计算发动机转矩…8755.2发动机控制………………鲁量吾日8956防抱死制动系统……895.6.I目的…………………曹音一t自普曹晋普推會鲁量曾·曹曾曹鲁·中·香5.6.2ABS的功能925.6.3基于减速度门限值的算法……………………………………………935.6.4其他ABS控制算法………9656.5关于ABS的近期研究出版物…975.7本章小结…………………………………………97参数表………………………………………………………97参考文献第6章自适应巡航控制…11006.1引言1016.2车辆跟随准则…………1026.3控制系统结构……………………………1036,4车队的稳定行驶1046.5固定车距与自主控制…1046.6固定时距控制策略的自主控制…曹曹看鲁费普音·中自鲁音曹鲁鲁鲁鲁鲁吾平6.6.1基于CTG车距控制策略的车队稳定行驶……1076.6.2典型的延迟值1096.7过渡控制……………………11167.1过渡控制器的必要性…………………………………………………11167.2通过R-R图设计转换控制器…1126.8下层控制器…11569本章小结………………………………………116Ⅷ蠡车辆动力学及控制参数表鲁翻…116参考文献…………………………………117第6章附录…………………………………118第7章车队的纵向控制………………1217.1自动化髙速公路系统……………………12172自动化高速公路系统中的车辆控制……………………1217.3纵向控制结构…1227.4车辆跟随准则……………………1237.4.1单个车辆的稳定行驶…1237.4.2车队的稳定行驶1247.5信号及系统范数的背景2447.5.1信号的范数………………………1247.5.2系统的范数……………………………1257.5.3利用诱导范数矸究信号放大257.6保证车队稳定行驶的设计方法………1277.7固定车距的自主控制…………………………………………………1277.8采用无线通信的固定车距控制策略7.9实验结果………b。都…………1317.10下层控制器………………………………………………………1327.11参数未知车辆的自适应控制13311.1重新定义符号…………………………1337.11.2自适应控制器………………………………………1347.12本章小结………………………………………………………………136参数表··,·翻·137参考文献…………138第7章附录…垂最车·………………139第8章电子稳定性控制………………………1418.1引言……………………141音·非·。·。。非4··非·。非非m中··,·即··量着,··音章·8.1.1稳定性控制原理1418.1.2汽车厂商开发的稳定性控制系统1428.1.3稳定性控制系统的种类…………………………………………………1428.2差动制动控制系统…s………14382.1车辆动力学模型……1438.2.2控制系统架构………………………………………………1458.2.3理想的横摆角速度中自鲁··即··中·鲁··中·更·鲁·鲁助··使曹·中兽,46

此主题(配置文件)基于Source insight 4.0 40086导出，界面及代码配色完全模仿Atom主题，图片请看此处http://blog.csdn.net/huyuan7494/article/details/77477851

语音识别GMM算法（含部分注释），提供了MFCC提取和EM算法的完整代码

可以作为WiFi室内定位研究的前期数据，不需要采集，直接使用即可，本人实际做WiFi室内定位时采集所得，该项目公司做了将近一年的时间，数据分析十分有用！（RSSI信号强度，各个房间单数的文件，衰减模型每一米处的信号强度文件）

晶圆缺陷检测与分类的卷积神经网络；针对晶圆检验时扫描电镜图像的缺陷检测和缺陷分类两问题，采用了“ ZFNet”的卷积神经网络来分类晶圆缺陷，并基于该分类器实现了一种“基于块的卷积神经网络”缺陷检测算法。为了提高准确率和加快速度，又改动“更快的区域卷积神经网络”实现了另一种检测算法。第卷第期邡鑫,史峥:晶圆缺陌检测与分类的卷积神经网络ZENet classifierDarker ImIn.ril” HumpBitel检测算法示意图在训练检测器时,数据集是检测器原始尺寸的图像,且包含标记好的缺陷区域和类型。我们结构通过·系列数据扩张操作,得到组数据,随机选取相比于检测算法主作为训练集,作为测试集。要从以下三方面进行了针对性的改进算法中需要优化的参数有滑动窗口尺寸滑()针对重复计算卷积的缺点,采用先动步幅、概率阙值、面积阙值,由于无法求出统一计算特征图,再按)进行映射各参数与检测结果的明确关系式,所以采用遍历法优化参截取的办法。如图,先通过卷积网络(数。因为检测到的缺陷尽量正确和尽量检测到所有缺陷是)对输入图像计算得到其特征图,因为在输入图像矛盾的,故以精确率和召回率的调和平均值作为优上的都能映射到特征图上,所以从输入图像上按化目标,也可根据实际需要调整两者权重满足不同侧重。割取图像进行卷积运算可以替代为直接从特征图上按测试结果映射后的范围割取,从而避免多次重复计算卷积。由于用训练好的检测模型对测试集检的大小形状不·,而全连接层的神经元连接数是固定的,测,计算模式下每张图大概耗时如果检测到的缺所以对割取得到的子特征图,通过层次采样到统陷与标准答案的且类型相同,则判为正确,否尺寸以连接到全连接层。则判为错误。得到结果如表,计算得:laut Image精确率Feature Map召回率ROI其屮正确缺陷的平均表检测器测试结果数量正确错误network有缺陷(正类)图映射示意图从检测结果来看该算法基本实现∫对图像上晶圆()针对滑动窗口尺寸单·的缺点,增缺陷的检测和分类,但是值较低,缺陷检测位置不加了滑动窗口的尺寸类型,并且增加由一个全卷积网络准确,检测耗时较长,分析其原囚如下)组成的()检测出错的数据中,缺陷较大的类型易判断错,)来预判断是否有缺陷。本文采用面积缺陷较小的容易被漏掉,说明只使用一种尺寸的滑动框很分别为,长宽比分别为、共难适应尺寸变化范围较大的缺陷种尺寸的滑动窗口,依次计算其中有缺陷的概率,再从中)滑动框步幅减小则算法耗时平方倍增加,而步幅筛选出一定数量最有可能有缺陷的区域,进行非极大值抑过长造成缺陷概率分布图分辨率较差,从而检测到缺陷位制(),最后得到一定数置准确度较差量的候选区域。()相邻滑动框都有大量重叠,所以每个区域都被多()针对缺陷检测位置准确度差的缺点,次重复送入计算卷积,导致算法耗吋较长。在全连接层后连接一个边界回归层在与上述检测算法相似的图像目标检测领域,近来出用来修正缺陷位置,该回归层与分类层并列。现的很好的克服了以上缺点并取得了很好的针对本文的缺陷检测问题,直接套用标准效果,所以下面介绍如何通过改动实现品圆并不能解决问题。因为判断晶圆的缺陷类型通常需缺陷的检测与分类。要结合缺陷区域周围的图形信息,而在预判断是否有C1994-2017ChinaAcademicJournalElcctronicPublishinghOusc.Allrightsrescrved.http://www.cnki.nct计算机工程年月日缺陷吋还进行了边界回归。虽然更加准确的给出缺陷的位()将原尺寸为的图像调整为置,但送入检测网络的特征儿乎不包含缺陷周围图肜信息,使得滑动窗口尺寸能够适应缺陷大小的变化范围,也可以导致缺陷分类不准。故木文对标准徹了一些根据实际情况来具体调整。改动:得到缺陷检测算法如图,卷积网络(()将改为只判断滑动窗口内是否有缺陷,而,)将输入图僚转换成多种特征图;根据不进行边界回归,也就是只计算所有滑动窗口有缺陷的概特征图从滑动窗口中选出最有可能存在缺陷的率,选取可能性最大的个,做非极大值抑制,再选出层根据特征图中抽取出对应特征组成特可能性最大的个进行检测。征向量;检测网络()根据特征向()将卷积层的尺寸加大为,加大感受野量判断缺陷类型,并进行边界回归;最后通过和概率),从而在判断滑动框內是否有缺陷吋能参阈值对候选缺陷进行过滤即可得到最终缺陷。考更多的周围信息。Detection NetworkonFolutionnl actorSoftmaxRuI Puling liver,e Prop卟 edMS+PrubilitessionInput Image 1024*1024Fully 10 dyercrectCcrvchrionalLaver size 747图检测算法示意图模型训练和平均值作为优化目标,并且使用相同的训练集和图中的检测算法也是基于架构实现,因为卷测试集积网络提取的特征类型对相似普遍有效,故其卷积网络的测试结果参数是直接迁移第章分类器的卷积层参数。但是用训练好的检测模型对测试集检测,和的参数则需要通过方法进行训练,标准计算模式下每张图大概耗时,采用相同判定标准,提供了分开和联合两种训练方式。为了节约得到检测结果如表(其中负类总数与表中总数不同是因时间,本文采用联合训练方式,并结合缺陷检测问题的实为同一张图屮可能检测到多个缺陷),计算得际情况调整超参数精确率在训练时,对每张输入图像,要计算的滑动窗口召回率数量庞大(种尺寸的滑动窗口,滑动步幅)。所以从中随机抽取个作为训练集,其中正例其中正确缺陷的平均负例,且正例占比不超过。分类器采用表检测器测试结果损失函数数量正确错误在训练时,设置提供个,从中随有缺陷(正类)机选取个作为训练集,其屮正例无缺陷(负类)负例,且正例占比不超过。另外设置学从结果来看该算法各方面都优于检测算习率分类器采用损失函数,而边界回法和值更高说明检测检测缺陷类型正确归采用函数。且位置准确,而且速度也大大提高(检测一张图像耗时从为了与检测算法对比,在最后通过遍历法缩小到)。如图为检测缺陷示例,共中标注了缺陷优化和概率阈值时,同样以精确率和召回率的调位置、类型和对应概率C1994-2017ChinaAcademicJournalElcctronicPublishinghOusc.Allrightsrescrved.http://www.cnki.nct邡鑫,史峥:晶圆缺陷检测与分类的卷积神经网络I I图检测结果示例图结束语而对图像上的缺陷检测和缺陷分类这两个问题,本文提出的改动后的检测算法能够精准、快速地从图像中检测出缺陷并同吋进行分类。得益于卷积神经网络良好的特征学习能力,该检测算法能够根据标记好缺陷位置和类型的数据自动学习特征,从而尽量避免人工千预,使算法具有较强的适应能力。参考文献徐姗姗刘应安徐昇基于卷积神经网络的木材缺陷识别山东大学学报工学版刘云杨建滨王传旭基于卷积神经网络的苹果缺陷检测算法电子测量技术江帆刘辉王彬等基于模型的图像识别计算机工程C1994-2017ChinaAcademicJournalElcctronicPublishinghOusc.Allrightsrescrved.http://www.cnki.nct

pdf文档，中文来源：华北电力大学学报242007[11997199811.2199910.88408200.68000.47800.2掩76072007000100120时间/天68040100120图3训练过程中的误差变化时间/天Fig.3 Errors during training图1日负荷预测时洲练数据4Fig. 1 Training data for day load for ecas ting35←只51.5050-10203040如0的070809010101200.8时间压图4训练过程中神经元个数变化Fig 4 Grow th of neurons during train ing0.200.95系0.940.8505101520253035滞后时间/天如0.80.75图2训练数据的自相关系数Fig. 2 Autocorrelation coefficients of training dat a(a拟合曲线0.〔(3)10.040.0系70/14060[1000000]时间/天(b拟合误差「O1000001图5训练结果及误差Fig. 5 Result and error of train in3- EBF6,C1994-2012cHinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net4EUNITE2582080078076074072026.26700(3)66005101520253035时间/天50/1[00001图6日最大负荷预测结果[01010]26ig. 6 Result of forFrecasting g1 SOFNN[716.2,739.7,757.7,781.3],7Tab 1 Accuracy of training and forecast ing[720.1,738.2,763.7,MethodMAPE/ (%O) ME767.7],7SOFNN1.3344.137901.7850.04780EUNITE1.95E770760winner750报告中ME值没有准确堤供,但可以从报告中估轵740计得出约50~60完整的 EUNITE网络竟赛原始数据可730从EUNITE网站获得(http://neuron.tuke.sk/compe-720tit ion/ index. php)7103354EUNITEMAPE时间1.95[2]图7周平均最大负荷预测结果3.2Fig. 7 Forecasting result of week average max loadSOFNNSOFNNWSj72SOF NNWLWLideltaWli, delta WLi=WLj-Wli(3h:× delt al+k× deltal wj,Yh=0.58o1994-2012ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp:/www.cnki.net262007820[1] Chen B J, Chang M W, Lin C J. Load forecasting using800support vector machines: a study on eunitE com-780tion 2001[J]. IEEE transactions on power systems7602004.19(4):1821-1830[2] Company behind East- Slov akia Power Distrib ution740Com panWorle w ide com petition w ithin the EU720NITE network, EUNITE competiton report [RI700[3]6802004.28(17):1-1105101520253035[4 Leng g, Prasad g, McGinnity T M. An on line algor-时间/天rithm for creating self organ izing fuzzy neural networ ks图8修正后的日最大负荷预测结果Neural Netw orks, 2004,(17): 1477-1493[5 Ort iz: Arroyo D, Skov M K, Huynh Q. Accurate Elee-F ig.8 Forecasting results after rev sedtricity Load Forecasting with Artificial Neur al NetworksIC. Proceedings of the 2005 International Conference2SOFNNon Compu tat io nal Intel ligence for M odel ling, Control andTah 2 Accuracy of forecast ingAuto mation. and International Conference on I ntelligentMethodMAPE/(%)MEAgents, Web Technolo gies and Internet CommerceSOFNN1.7850.04(CIMCAIA WTIC 05). 20051.5941.95[ 6] Tao X. Input dimens ion reduction for load forecastingEUNITE1.9550-60based on support vector machines [C]. Hong Kong82004 IEEE International Conference of Electric U til yderegulation, res tructur ing and pow er technolog iesMAPE ME20[7 Hsu CC. Dynam icall y Optim izing Parameters in SupportVector Regression An A pp licat io n of Electricity Load4结论Forecasting [C]. Haw aii: Proceedings of the 3 9thIlaw aii International Conference on System Sciences199918 Pan kratz A. Forecasting w ith Univariate Box-JenkinsModels [m. John Wiley sons, 1983SOFNN(1972-),,C1994-2012cHinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net