基于模糊小波網絡的電力系統短期負荷預測方法
加入技術交流群
由模糊推理層得到每條模糊規則對于輸入X的適用度μi(X)，實現歸一算法得到其激活度
，它主要是決定了每個小波子網絡的輸出在整個網絡輸出中所占的比重：
在改進的Takigi-Sugeno模糊神經網絡和小波網絡的基礎上，式(5)－(8)所描述的FWN可以用一個多層網絡來實現，如上圖2中所示.本文引用地址：http://cqxgywz.com/article/179692.htm
該FWN由常規的四層模糊神經網絡組成，分別為：輸入層、隸屬度函數生成層、推理層及反模糊化層，各層神經元數目分別為q，q×c，和c+1，所以一旦確定輸入個數和模糊規則數，模糊小波網絡的結構也就確定了，WNNi表示第i個小波子網絡。在隸屬度函數生成層中所采用的激活函數是式(6)中給出的高斯型隸屬度函數。
本文中采用的FWN模型與常規的模糊神經網絡模型最大的區別就在于反模糊化層的不同，在模糊神經網絡中只能對信號進行局部化逼近，而FWN中則采用了一系列小波子網絡，它既能對信號進行全局逼近，也能進行局部逼近，而且對于確定模糊規則數有合理的依據，正因為此，FWN具有更好的信號逼近能力和更強的適應力。
4 模糊小波網絡的學習算法
給定L個訓練樣本對，Xl(l=1,2,...,L)表示第l個訓練樣本的輸入，
分別表示網絡的實際輸出和目標輸出。求解FWN的參數采用使之間誤差最小的BP算法，其流程如下：
（3）讀入訓練樣本對，計算網絡輸出，并計算訓練誤差：
若滿足精度要求，則跳轉到（5），否則繼續；
![MSP430 單片機外圍模塊 - LCD [利爾達]](http://editerupload.eepw.com.cn/201003/7f85595d927a638df33d1097899d5600.jpg)
![IAR 使用 [利爾達]](http://editerupload.eepw.com.cn/201003/41125f2f23fc00d2cee647097da2b73d.jpg)
評論