【《风电输出功率预测分析的基本理论与相关技术概述》6100字】_第1页
【《风电输出功率预测分析的基本理论与相关技术概述》6100字】_第2页
【《风电输出功率预测分析的基本理论与相关技术概述》6100字】_第3页
【《风电输出功率预测分析的基本理论与相关技术概述》6100字】_第4页
【《风电输出功率预测分析的基本理论与相关技术概述》6100字】_第5页
已阅读5页，还剩5页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

风电输出功率预测研究的基本理论与相关技术概述目录TOC\o"1-3"\h\u9773风电输出功率预测研究的基本理论与相关技术概述 -45]。目前经大量研究和实验验证表明，LSTM能够有效的解决长依赖问题，并且模型适用范围很广，这一特性使得该模型的可能性变化也会很多。而随着深度学习网络模型的发展，LSTM也随之不断进行改进和优化，在语言应用领域取得了较好的效果，现在尤其在语音翻译中被广泛使用。①.LSTM网络原理LSTM作为一个新型的RNN模型变体，区别于RNN最大的地方是LSTM网络中增加了某个“处理器”，能够对信息给出可观的判断，判断信息最终的去留。该处理器作用的整个结构，即cell。这种结构可以对其在神经元中的信息进行长期性的选择与保留，解决了可能因某些原因出现信息丢失问题。LSTM利用门控单元，能够对cell信息进行添加或是删除。由于LSTM使用门来控制记忆过程，有效解决了梯度消失和梯度爆炸现象。LSTM网络模型原理如图6所示，LSTM内部的单个循环结构（也叫细胞）中有4种不同的状态[46-48]。和RNN相比，LSTM循环结构有一种持久性较高的单元状态，可以不断传递，判断哪些信息需要进行遗忘，哪些信息可以继续传递。LSTM细胞由输入门、输出门以及单元状态（cellstate）等部分构成。输入门，很大程度上对网络实际的输入数据量和单元状态起到了决定性的作用。而遗忘门，则影响着对上一时刻中体现的单元状态，输出门可以对当前单元状态中实际的输出值进行控制。LSTM的架构相对比较特殊，就是Sigmoid函数可以输出0或1，它可以用来决定忘记或记住信息。图SEQ图\*ARABIC6LSTM设计原理图Fig.6LSTMdesignschematicdiagram②.LSTM计算步骤LSTM神经元内部结构如图7所示，在解决梯度消失时做了一些改进，我们要在二阶导数接近于零点前，维持一个距离较远的函数，tanh则拥有该种属性，是个理想的函数。Sigmoid函数能够对0或是1进行输出，用于忘记或记住信息。所以图中用到了这两种函数。Sigmoid层取得输入Xt和ht−1，并决定从旧输出中删除哪些部分（通过输出0实现），下一步是决定并存储记忆单元新输入Xt的信息。Sigmoid层决定哪些信息要进行更新，哪些信息值得被忽略。tanh层结合新的输入可以得到其他值的向量。根据它们的乘积，可以对该记忆单元作出更新。将新的记忆再次填入到旧记忆C图SEQ图\*ARABIC7LSTM神经元内部结构图Fig.7internalstructureofLSTMneuronsLSTM神经元内部计算过程按以下步骤计算。（1）遗忘门的输出值。ft=输入门输出值。it输出门输出值。ot记忆单元的输入值。ct更新对记忆单元Cell中的内容，先通过遗忘门进行选择，再添加输入门选择出的值，最后得到新的记忆单元。ct隐藏层输出值。htLSTM模型避免了无限的连乘，取而

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论