訓練神經網絡的方法

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇訓練神經網絡的方法范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

訓練神經網絡的方法范文第1篇

1基于貝葉斯算法的BP神經網絡

1.1貝葉斯算法基于貝葉斯算法的BP神經網絡是基于貝葉斯定理而發展出來的用于解決統計問題的方法，即任意一個待求量都可以看作是一個隨機變量，因此可以通過概率分布來對待求量進行描述，這個概率是在抽樣前就有的關于待求量的先驗概率分布。貝葉斯理論正是在沒有樣本信息時，只根據先驗概率分布來求解待求量。而在有樣本后，則可根據總體、樣本和先驗信息的聯合分布來對未知量進行判斷。后驗分布π（θ|x）是反映人們在抽樣后對隨機變量θ的認識，其與先驗分布即樣本x的差異是由于樣本出現后人們對θ的調整，即后驗分布π（θ|x）為抽樣信息對先驗分布π（θ）調整的結果[6]。

1.2貝葉斯算法BP神經網絡基于貝葉斯算法的BP神經網絡是一種以神經網絡基本原理為構架，通過引入貝葉斯推理有效地控制網絡模型的復雜度，進而更好地解決非線性問題及其不確定性[7]。在BP神經網絡中，訓練樣本集為D（xm，Om），xm為輸入信號，Om為輸出節點，在一定的網絡結構A與網絡參數W下，可以得到網絡的輸出由網絡的輸入D唯一的確定。網絡訓練的目標函數為誤差函數ED（D|W，A），則有。采用貝葉斯算法BP神經網絡步驟如下：（1）確定網絡結構A，初始化超參數α，β，對網絡參數W進行賦值。（2）以最終目標函數為M（W）最小為原則，對BP神經網絡進行訓練，尋找最優可能網絡參數W。（3）尋找最優可能參數α，β。（4）采用不同初始網絡參數尋找最優網絡參數。（5）對不同網絡結構A，尋找最優網絡參數。

2貝葉斯算法的BP神經網絡量化結果分析

2.1訓練樣本與測試樣本在對管道進行磁化的過程中，最常用的方法是沿管道軸向進行磁化，提取缺陷處沿軸向變化的漏磁場與沿周向變化的漏磁場，缺陷的長度信息主要由沿軸向變化漏磁場反應，缺陷的寬度信息主要由沿周向變化的漏磁場反應，而缺陷的深度信息則是由這兩個量共同反應[9]。本文采用實驗的方法獲取網絡所需樣本，這里以對陡壁缺陷的分析為例，研究貝葉斯算法的BP神經網絡對陡壁缺陷量化的有效性。分別制作缺陷長度為3，3.5，4，4.5，5，5.5倍管道壁厚，寬度為0.5，1，1.5，2倍管道壁厚，深度為0.1，0.15，0.2，0.25倍管道壁厚，共得到96組測量結果，取其中80個缺陷特征作為網絡的訓練樣本，剩余的16個缺陷特征作為測試樣本。

2.2長度的量化采用統計分析的方法選取與缺陷長度關系密切的特征量作為神經網絡的輸入信號，將缺陷長度作為網絡的輸出信號來對網絡進行訓練。所選取主要特征有漏磁場軸向分量的靜態閾值截取長度、一階微分信號極小值的位置與周向變化漏磁場動態閾值截取長度。分別對基本的BP神經網絡與貝葉斯算法的BP神經網絡進行訓練，當均方誤差小于10-3時停止訓練，得到兩種網絡的訓練與學習過程如圖1所示。比較兩種算法訓練過程可以看出貝葉斯算法的BP神經網絡總共進行了331次訓練，而基本的BP神經網絡總共進行了1789次訓練，可見貝葉斯算法的BP神經網絡的收斂速率更快。用16組測試數據對兩種網絡長度的量化誤差進行比較，得到量化后缺陷最大相對誤差與最小相對誤差如表1所示，對應貝葉斯算法BP神經網絡量化的缺陷如表2所示。從表2中可以看出，采用貝葉斯算法的BP神經網絡量化得到的缺陷長度與設計值的誤差明顯小于基本的BP神經網絡，最大相對誤差僅為0.05%。

2.3寬度的量化與缺陷長度的量化相似，采用統計分析的方法選取與缺陷寬度關系密切的特征量作為神經網絡的輸入信號，將缺陷寬度作為網絡的輸出信號來對網絡進行訓練。所選取主要特征有軸向變化漏磁場峰谷值、周向變化漏磁場波形面積、波形能量、靜態閾值截取長度。分別對基本的BP神經網絡與貝葉斯算法的BP神經網絡進行訓練，當均方誤差小于10-3時停止訓練，得到兩種網絡的訓練與學習過程如圖2所示。比較兩種算法訓練過程可以看出貝葉斯算法的BP神經網絡總共進行了269次訓練，而基本的BP神經網絡總共進行了2248次訓練，可見引入貝葉斯算法后的BP神經網絡的收斂速率大幅提升。與之前相同，用16組測試數據對兩種網絡寬度的量化誤差進行比較，得到量化后缺陷誤差如表3所示，貝葉斯算法BP神經網絡量化達到誤差的缺陷見表4。在對缺陷寬度進行量化的過程中，盡管量化得到的最大相對誤差仍較大，采用貝葉斯算法的BP神經網絡量化得到的缺陷寬度與設計值的誤差明顯小于基本的BP神經網絡。

2.4深度的量化在對缺陷的深度進行量化時，采用統計分析的方法選取了缺陷的長度、寬度以及軸向變化漏磁場的兩個峰谷值、波形面積、周向變化漏磁場峰值、峰谷值作為神經網絡的輸入信號，將缺陷深度作為網絡的輸出信號來對網絡進行訓練。對基本的BP神經網絡與貝葉斯算法的BP神經網絡進行訓練，得到兩種網絡的訓練與學習過程如圖3所示。貝葉斯算法BP神經網絡總共進行了4152次訓練，基本的BP神經網絡總共進行了8763次訓練，盡管引入貝葉斯算法BP神經網絡的訓練過程仍舊較長，但比基本BP神經網絡的收斂速率有所提升。用16組測試數據對兩種網絡深度的量化誤差進行比較，得到量化后缺陷誤差如表5所示，貝葉斯算法BP神經網絡量化達到誤差的缺陷見表6。從對缺陷深度量化結果可以看出，采用貝葉斯算法的BP神經網絡對缺陷深度進行量化，得到的缺陷深度與設計值的誤差小于基本的BP神經網絡。

3結束語

訓練神經網絡的方法范文第2篇

關鍵詞：人工神經網絡 礦山 安全狀態 評判能力

中圖分類號：TD77；TP181 文獻標識碼：A 文章編號：1007-9416（2015）04-0206-01

通過改變神經網絡訓練樣本等方式，對神經網絡不同訓練樣本的反應能力進行對比分析，從而探討人工神經網絡對礦山安全程度評價的適應性。為了有效的提高人工神經網絡對礦山安全程度評價的能力，可以通過改變神經網絡的神經元數目以及初值賦值的方式來測試不同的結構，從而得出不同參數下神經網絡對相同訓練樣本的評價結論，以便提高其評價能力，在礦山安全狀態評判中充分發揮出人工神經網絡的作用。

1 人工神經網絡中的網絡結構設計與原始數據的準備

本文中主要采取如1所示的神經網絡結構，根據測試目的的差異性，其測試過程中神經網絡的部分性能也就不同，但是對整個網絡結構的性能不會改變。

這種神經網絡的主體結構是單輸入、三層式BP的網絡結構，輸出連接、目標連接、輸入權重連接、偏置連接以及層權連接等是其主要的連接方式。各層神經元的分類包括：第一隱含層有8個正切S型神經元，第二隱含層有8個對數S型的神經元，輸入層有4個元素，輸出層有一個線性神經元。其網絡函數主要包括訓練函數、初始化函數、性能函數以及各網絡層的層初始化函數。其訓練函數需要采取TRAINLM回轉方法來運算；初始化函數需要采取逐層初始化的方法運算；性能函數需要采取均方誤差法來計算；各網絡層的層初始化函數需要采取優化規則的方式計算，有的時候還需要采取INITWB的方式進行運算。各個權閾值的初始化需要采用RANDS方法來計算。在人工神經網絡訓練的原始樣本數據以及期望值中，這些數據主要是用來評價地質因素對礦山安全影響程度的原始數據。當訓練完成之后，需要對其各種數據進行仿真測試，以便評斷這種人工神經網絡結構在礦山安全狀態中的應用價值與能力，并對其不足之處以及缺陷問題等進行分析，以便尋找出更加優化的方案，從而提高人工神經網絡在礦山安全狀態中的評判作用與能力。

2 人工神經網絡對礦山安全狀態評判能力的訓練以及仿真測試

對礦山安全評價的方法較多，但是能夠較好的應用于礦山安全評價的方法卻很少，例如事故樹分析法、概率風險評價法以及事件樹分析法等，這些方法均由于基本事件的發生概率的確定方面存在一定的困難，從而導致運用于礦山過程中的安全評價效率不高。另外，在礦山安全狀態評價的過程中，其安全檢查表、專家評價方法等存在一定的缺點與不足，其在評價的過程中，主觀性較強，受到個人意識的影響較大。綜合指標評價法由于其指標間的邏輯關系，指標的權值與指標的量化等問題，從而導致該方法難以在礦山安全狀態中進行準確的評價。只有能夠更好的適應這種復雜的動態系統的安全評價方法，才能夠將其更好的應用在礦山安全狀態評價中[1]。

其中人工神經網絡在處理無法使用簡單規則或公式進行描述的大量的原始數據的問題時，以及在處理規律不清楚的問題時，其具有較大的優勢。也正是由于這種方法能夠對復雜的非線性動力學系統的適應，才能夠使其在礦山安全狀態評價中得到引進與推廣。將人工神經網絡對礦山安全狀態評價能力的訓練進行仿真實驗，在每次實驗檢測之前，都需要對同一神經網絡進行重新初始化，之后需要運用相同的訓練樣本數據對神經網絡進行訓練，以便達到訓練要求后對網絡進行仿真測試，訓練性能函數的誤差需要保持在10以內。其神經網絡的訓練過程是網絡在初始權閾值的基礎上，對其權閾值進行不斷的修改，以便尋找出它們之間的某種聯系，使得輸入的整個訓練樣本集數據經過網絡的運算之后，其輸出與相應的目標數據差別能夠滿足性能函數的要求。因此，在人工網絡對礦山安全狀態進行評判的時候，即使所有數據與性能均符合要求，但是由于在訓練的時候就被賦予了不同的權閾值，訓練之后得到的權閾值的最終組合也會存在較大的差異。通過神經網絡對礦山進行安全評判的目的在于運用神經網絡總結分析數據，對礦井各個致災的貢獻率進行分析，進而對礦山的安裝狀態進行評判。從神經網絡的角度來分析，通過運用網絡的運算功能對訓練樣本的數據進行統計分析，并從中找出滿足目標值以及性能要求的權閾值組合形式，從而通過仿真方式來評價礦山的安全狀態。

3 結語

通過對人工神經網絡在礦山安全狀態的評判能力進行訓練以及仿真測試后，發現人工神經網絡與人類評判方法存在一定的差異性，在今后的發展過程中，還需要對人工神經網絡在礦山安全狀態中的評判能力進行不斷的優化與改進，以便更好的適應礦山安全狀態的評判，在礦山安全狀態的評判中充分發揮出人工神經網絡的作用，從而更好的確保礦山生產與經營的安全性。

訓練神經網絡的方法范文第3篇

>> 基于人工神經網絡過閘流量模型在南水北調中線工程的應用 基于人工神經網絡的優化配置研究 基于BP神經網絡的彩色溫度軟測量 基于小波神經網絡的網絡流量預測研究 基于改進小波神經網絡的網絡流量預測研究 基于混沌神經網絡的區域物流量預測 基于BP神經網絡的鐵路客流量預測研究 基于人工神經網絡的煤炭需求預測 基于人工神經網絡的PPI預測模型 基于人工神經網絡的自適應距離保護 基于人工神經網絡的故障診斷 基于人工神經網絡的化工安全評價 基于人工神經網絡的人口預測 基于人工神經網絡的圖像識別 基于人工神經網絡的車牌識別探究 基于人工神經網絡的信息處理 基于人工神經網絡的巨大兒預測的研究 基于BP人工神經網絡的土壤含水量預測模型的研究 基于BP人工神經網絡的知識管理戰略選擇研究 基于人工神經網絡的水泵故障診斷技術研究 常見問題解答 當前所在位置：

關鍵詞：BP網絡；軟測量；過閘流量；MATLAB神經網絡工具箱

DOI： 10.3969/j.issn.1005-5517.2013.10.011

引言

通過閘門的水流量是一個非常重要的參數。只有獲得準確的流量值，才能實現對水資源的優化配置。目前對于過閘水流量的測量已形成了幾種方法：流速儀法、水力學公式法以及曲線法[1，2]。其中，被廣泛運用與現場測流中的方法是流速儀法，它也是流量測量中最重要的方法。流速儀法是通過實測斷面上的流速和水道斷面積來確定流量的方法。測量時先在斷面上布設測速垂線和測速點，再將流速儀放到測速點處測速，用分割法計算斷面面積，推算出流量。雖然這種測流方法是目前的主導方法，但卻存在著一些天生的缺陷：一是很難確定合適的測速垂線及測點，這是由于河道斷面形狀的不規則以及流速場分布情況復雜等原因造成的；二是實時性不高，測量時間比較長，從而導致管理部門不能及時了解過閘流量，耽誤啟閉閘門的最佳時機；三是需要的硬件資源比較多，因此大大增加了測流成本。鑒于此，研究一種新型的即簡單、操作方便實時性又高，并且精度滿足要求的測流方法已成為目前的迫切需求。而本文采用的BP網絡軟測量技術正好解決了以上諸多問題。

BP神經網絡軟測量模型

隱含層神經元數的確定

隱含層神經元數的選擇在理論上并沒有一個明確的規定。因此，選擇合適的神經元數就顯得十分麻煩。如果神經元太少，則網絡不能很好地學習，需要的訓練次數也多，訓練的精度也不高。反而言之，如果隱含層神經元數選的太多，雖然功能會越大，但是循環次數也就是訓練時間也會隨之增加。另外可能還會出現其他的問題，如導致不協調的擬合。一般的選擇原則是：在能夠解決問題的前提下，再加上一到兩個神經元以加快誤差的下降速度即可[7]。

這里，我們通過對不同神經元數進行訓練對比，以及通過簡單的交叉驗證法確定隱含層的神經元數為15個。基于BP網絡的過閘流量軟測量模型如圖1所示。

數據樣本的選取及處理

所用的人工神經網絡的訓練與測試集樣本來源于碧口水電廠右泄工作門2001年水文歷史數據。從中選取典型的60組數據，其中前40組作為訓練樣本，后20組作為測試樣本。限于篇幅只列出部分數據，如表1所示。

由于輸入樣本各參數的集中取值范圍不同，參數大小不一，為了使各類參數所起的作用大致相同，必須對輸入數據進行標準化，把輸入數據都規一到[0，1]閉區域內[8]。因此，我們對表1的數據做如下處理：H*G=HG/10；H*UP=HUP/1000；Q*=Q/Qmax。

運用MATLAB神經網絡工具箱對網絡進行訓練與測試

在運用MATLAB神經網絡工具箱對網絡進行訓練之前，要注意兩方面問題。一是初始權值的選擇，再個就是學習速率的選取。

由于系統是非線性的，初始值對于學習是否達到局部最小、是否能夠收斂以及訓練時間的長短的關系很大。一般選取初始權值為（-1，1）之間的隨機數。在MATLAB工具箱中可采用函數initnw.m初始化隱含層權值。學習速率決定每一次循環訓練中所產生的權值變化量。若學習速率過大可能導致系統的不穩定；但學習速率過小會導致訓練時間較長，收斂速度很慢，不過能保證網絡的誤差值不跳出誤差表面的低谷而最終趨于最小誤差值。所以在一般情況下，傾向于選取較小的學習速率以保證系統的穩定性。學習速率的選取范圍在0.01到0.8之間。綜合考慮一下，本系統選取學習速率為0.1。BP網絡訓練程序如下所示[9]：

%定義輸入向量和目標向量

P=[0.5 0.6 0.8 ？？；0.7082 0.7081 0.7079 ？？]；

T=[0.3744 0.4533 0.3735 0.648？？]；

%創建BP網絡和定義訓練函數及參數

net=newcf（ minmax（P），[15，1]，{‘lo gsig’，‘purelin’}，‘traingd’）；

net=initnw（net，1）；

net.trainParam.epochs=5000；

net.trainParam.lr=0.1；

net.trainParam.goal=0.00001；

%訓練神經網絡

[net，tr]=train（net，P，T）；

待網絡訓練好后，利用選定的20組測試樣本對其進行測試，以測量其泛化能力。測試結果如圖2和圖3所示。

圖2為真實流量值與通過BP網絡軟測量模型的預測值之間的擬合曲線，方框代表預測值，圓點代表真實值。

訓練神經網絡的方法范文第4篇

【關鍵詞】大學生身體素質評估 遺傳算法 BP神經網絡 MATLAB計算程序

在校大學生是國家重要的人才后備力量，大學生的身體素質培養和鍛煉是學校體育教學中關注的重點。對大學生身體素質進行科學、切實的評價可制訂更為有效的培養方案，幫助大學生提高其身體素質。身體素質評價就是將大學生的身體形態、生理機能及運動能力等方面的數據綜合起來進行評價[1]。從以往的研究成果看，對大學生身體素質評價集中于采用概率統計、多元回歸分析和神經網絡[2]的方法。然而，概率統計僅得到整體評價結果，多元回歸分析預測精度較低，且兩者受樣本空間影響較大。為此，本文利用遺傳算法來訓練初始網絡模型，再用BP算法來進行精確求解，是對神經網絡評估大學生身體素質的進一步優化應用。

基于遺傳算法的BP神經網絡理論

通過把神經網絡和遺傳算法合理、科學的結合，既能夠利用神經網絡較強的學習能力，又發揮了遺傳算法全局尋優的搜索功能。首先利用遺傳算法得到權值的較優初始取值，訓練網絡避免了局部極小，利用BP神經網絡訓練次數和最終權值也相對穩定，訓練速度明顯加快，從而既節約了時間，又提高了預測結果的準確性。

1.基于遺傳算法的BP神經網絡結構

BP網絡的學習規則采用最速下降法，利用遺傳算法根據訓練目標函數對網絡權值進行迭代，找到最佳初始網絡權值。通過反向傳播來不斷調整網絡權值，使網絡誤差平方和最小，該系統的網絡結構，如圖1所示。先對大學生身體素質的評估指標進行分類，抽取大學生身體素質的特征指標，并作為輸入信息送入由輸入層、中間層和輸出層組成的三層網絡模型進行評估。經過測試的網絡，成為穩定的模式評估器，即可輸出評估結果[3，4]。

該模型的輸入層節點數為n，即大學生身體素質評價指標數，中間層節點數為 ，輸出層節點數為1，即身體素質評估結果值，ωij和ωj為BP神經網絡權值，初始化隱含層閾值為ɑ，輸出層閾值為b，由此可給定學習速率和神經元激勵函數。從圖1可發現，BP神經網絡可以看成一個非線性函數，網絡輸入值和輸出值分別為該函數的自變量和因變量。當輸入層節點數為n，輸出層節點數為1時，BP神經網絡就表達了從n個自變量到1個因變量的函數映射關系。

2.基于遺傳算法的BP神經網絡算法

遺傳算法優化BP神經網絡的核心是用遺傳算法來優化BP神經網絡的初始權值和閾值，使優化后的BP神經網絡能夠更好地預測函數輸出，計算流程如圖2所示。

1.背景資料

根據本校某班2011年大學生身體素質測評成績，從中選取30名學生的測試結果作為神經網絡的訓練樣本和校驗樣本。結合遺傳算法和BP神經網絡算法，在大型數學計算軟件MATLAB中編程實現基于遺傳算法的BP神經網絡大學生身體素質評估[4]。

2.計算結果與分析

遺傳算法優化過程中最優個體的適應度變化（如圖3）。把最優初始權值、閾值賦給神經網絡，用訓練數據訓練100次后，得到基于遺傳算法的BP神經網絡預測值。為了對比分析，也進行了BP神經網絡預測分析（如圖4）。

從圖4可看出，采用BP神經網絡及遺傳算法優化的BP神經網絡兩種算法得到的預測結果，與專家判斷（實際值）基本一致。但基于遺傳算法的BP神經網絡較BP神經網絡預測精度高。特別在輸入節點，即評價大學生身體素質的指標較多時，基于遺傳算法的BP神經網絡預測效果要好一些。

結 論

1.本文提出了基于遺傳算法的BP神經網絡大學生身體素質評價算法，并建立了相應的網絡模型。

2.基于遺傳算法的BP神經網絡算法不但具有神經網絡的函數逼近能力，而且應用遺傳算法優化BP神經網絡的權值、閾值，可使優化后的神經網絡避免訓練時間長、易陷入局部極值的缺點。

3.結合實例，將基于遺傳算法的BP神經網絡大學生身體素質評價算法，應用于本校學生身體素質評估。結果表明，該算法較BP神經網絡預測精度及效率高，可作為今后大學生身體素質評價的一種新方法。

參考文獻：

[1]范正森，張明如，周瑞琪.大學生身體素質綜合評價數學模型[J].武漢工業大學學報，2001，4：92-94.

[2]陳海英，郭巧.短跑運動能力的神經網絡評價方法[J].北京理工大學學報，2003，1：54-57.

[3]陳剛，何政偉，楊斌，楊洋.遺傳BP神經網絡在泥石流危險性評價中的應用[J].計算機工程與應用，2010，46（3）.

訓練神經網絡的方法范文第5篇

關鍵詞：風電機組；matlab；人工神經網絡；風功率預測

1 風電功率預測模型

1.1 徑向基神經網絡

神經網絡算法是近年來發展起來的一種新型人工智能算法。不同于以往的數學算法，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型，具有自學習、自適應和自組織能力的特點。

徑向基神經網絡（即RBF神經網絡）是一種三層前向網絡，由輸入層、隱含層和輸出層組成，網絡結構如圖1所示。由輸入到輸出的映射是非線性的，而隱含層到輸出層是線性的，從而大大加快了學習速度并避免局部極小問題。

根據徑向基函數中心選取方法的不同，RBF神經網絡有很多學習方法，如隨機選取中心法、梯度訓練法、有監督選取中心法和正交最小二乘法等。這里，選用梯度訓練法作為RBF神經網絡的學習方法。

1.2 梯度訓練方法

RBF網的梯度訓練方法是通過最小化目標函數實現對各隱節點數據中心、擴展常數和輸出權值的調節。使用一種帶遺忘因子的單輸出RBF網學習方法，此時神經網絡學習的目標函數為：

（1）

其中，？茁j為遺忘因子，誤差信號ej的定義為：

（2）

由于神經網絡函數F（X）對數據中心ci、擴展常數ri和輸出權值wi的梯度分別為：

（3）

（4）

（5）

考慮所有訓練樣本和遺忘因子的影響，ci、ri和wi的調節量為

（6）

（7）

（8）

其中，？椎i（Xj）為第i個隱節點對Xj的輸出，？濁為學習速率。

1.3 數據歸一化

數據歸一化是神經網絡預測前對數據常用的一種處理方法。數據歸一化處理將所有數據都轉化為[0，1]之間的數，其目的是取消各維數據間數量級別差，避免因為輸入輸出數據數量級差別較大而造成神經網絡預測誤差較大。

風速歸一化：應用多年統計的極限風速對風速數據進行歸一化處理

（9）

其中，Vg為歸一化處理后的風速標量值；vt為應用于預測的歷史風速值；vmax為風場氣象觀測到的歷史最大風速，如不超過風場風機最大切除風速，則取為風機的切除風度。

風功率歸一化：根據風電機組額定功率，采用與風速歸一化相同的方式，對風電機組歷史出力情況進行歸一化，并對網絡預測的輸出功率進行反歸一化，得到預測結果。

1.4 神經網絡的構建

首先挑選幾組數據風功率作為樣本，將每個樣本的前n個風速和風功率值進行歸一化處理，將處理后的數值作為RBF神經網絡的輸入；可將每個樣本的后n個風速和風功率值進行歸一化處理，將處理后的數值作為RBF神經網絡的目標輸出，通過對RBF神經網絡的訓練學習，實現從輸入空間到輸出空間的映射。

2 短期風功率預測結果

將前10天的風功率數據作為訓練樣本，對風機功率提前1小時進行預測。圖2預測風功率與實測風功率比較可知，可以看到神經網絡預測風功率變化趨勢與實際風功率變化基本趨勢一致，并且預測功率比實際功率變化平緩。

神經網絡在風功率預測時，每點的預報誤差不盡相同，這主要與早晚溫差造成的風速突然變化以及當天天氣變化情況等有關，從預測曲線的總體趨勢以及與實際曲線誤差值大小來看，該神經網絡模型預測結果基本令人滿意。

3 結束語

采用人工神經網絡進行預測精度較高、訓練速度快，適用于在線預測的場合。但是由于所用訓練數據為風速相對平穩時期的數據，所以該模型對于突變風速的處理能力仍然有限，為提高預測結果的精度，還需對模型進行進一步改進。總體而言，通過建立神經網絡模型，對短期風功率進行預測，雖有一定局限性，但其預測精度滿足工程要求。

參考文獻

[1]Tony Burton，等.風能技術[M].北京：科學出版社，2007.