![](https://files.zjtcn.com/group1/M00/18/E5/CgoBZ2ABZZ-AbGVKAABUwIdFcfQ966.jpg)
- 详情
- 2020-12-27
- 简介
pdf
- 287KB
- 页数 5P
- 阅读 102
- 下载 28
本文针对神经网络方法进行负荷预测时存在的泛化能力较差的缺点,提出了对历史数据进行相关性分析和输入数据主成分分析以提高神经网络泛化能力。实例分析结果表明:历史数据的相关性分析为空调负荷预测神经网络模型输入参数的合理选择提供了依据,主成分分析方法在降低神经网络模型输入维数、提高该方法泛化能力方面有较好的作用。
对不起,您暂无在线预览权限,如需浏览请
立即登录热门商品
相关推荐
泛化能力改善的神经网络方法在空调负荷预测中的应用 287KB
EBP神经网络在空调负荷预测中的应用 163KB
前馈神经网络在空调负荷预测中的应用 672KB
EBP神经网络在空调负荷预测中的应用 662KB
前馈神经网络在空调负荷预测中的应用 327KB
前馈神经网络在空调负荷预测中的应用 189KB
基于小波变换的神经网络空调负荷预测研究 629KB
基于Elman型神经网络的空调负荷预测模型 587KB
神经网络法及其在暖通空调负荷预测中的应用 425KB
基于神经网络的空调负荷混沌优化预测 758KB