《表2 S1、S2信号预测误差指标》
布谷鸟算法优化BP神经网络以及SVM的算法流程如图6所示,S1、S2和S3这3类信号用不同模型预测效果如图7所示,S1、S2信号的不同模型预测误差指标如表2所示。BP神经网络虽然应用广泛,但在梯度下降过程中,随机生成的初始权值和阈值使网络易陷入局部最优解,甚至无法寻到全局最优进而影响最终的拟合精度,用智能算法优化BP神经网络的结构权值和阈值可提高预测精度[18]。有学者研究表明布谷鸟算法参数少、速度快,而且能较好地与其他算法无缝对接,因此本文对高频信号预测时采用1.3节改进的布谷鸟算法优化BP神经网络以便得到更好的网络初始权值和阈值。神经网络结构设置为:输入层有4个节点、隐含层数量为1、隐含层有5个节点、输出层有1个节点、需要优化的权值与阈值变量数量为30个。对低频信号预测时同样采用ICS优化支持向量机的惩罚参数c和核函数参数g。用本文设计的优化模型与标准布谷鸟算法、传统遗传算法以及粒子群算法做比较分析。
图表编号 | XD00196956500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.28 |
作者 | 胡威、张新燕、郭永辉、李振恩 |
绘制单位 | 可再生能源发电与并网技术教育部工程研究中心(新疆大学)、可再生能源发电与并网技术教育部工程研究中心(新疆大学)、可再生能源发电与并网技术教育部工程研究中心(新疆大学)、可再生能源发电与并网技术教育部工程研究中心(新疆大学) |
更多格式 | 高清、无水印(增值服务) |