基于变分推理ESN集成模型的工业数据区间预测
发布时间：2021-06-24 23:05
工业环境中存在着大量的电磁干扰,使得工业数据的测量值在真实值周围上下波动,给数据增添了随机性,除此之外,工业数据自身也具有一定的随机性。这些随机性对时间序列的单值预测质量可造成不利影响。时间序列的单值预测只能给出数值的变化趋势,无法提供关于随机性的信息。相对于单值预测的另一种形式是区间预测。区间预测不仅可以提供数据的变化趋势,还可以提供数据的波动区间,即是一种可提供完整预测信息的预测形式,因而得到研究和关注。过往研究和应用证明神经网络拥有非常好的非线性处理能力,特别是递归神经网络,更能够反映时间序列的时序特性,而神经网络与统计学方法结合做区间预测也被实践证明具有较好的实用效果。针对含噪声工业时间序列的区间预测问题,本文提出了一种基于变分推理ESN集成模型的区间预测方法。主要创新点有两点:首先是在模型构建阶段,令ESN集成模型中每个回声状态网络的输出连接向量分布都具有独立的方差,相比非独立形式更有利于模型稳定性;其次是在模型参数求解阶段,本文提出采用变分推理来近似推导出集成模型中所有不确定参数的联合后验概率分布,相对于已有ESN集成模型使用最大边缘似然参数估计求解参数的方法,不仅仅能够给...
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：49 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 本文主要工作
2 基于Bootstrap的ESN集成模型及变分推理参数估计
2.1 基于Bootstrap的ESN集成模型
2.1.1 回声状态网络
2.1.2 Bootstrap区间估计方法
2.1.3 基于Bootstrap的ESN集成模型
2.2 变分推理参数估计
2.2.1 最大似然估计与贝叶斯估计
2.2.2 变分推理原理
2.3 本章小结
3 基于变分推理ESN集成模型的工业数据区间预测方法
3.1 工业数据组成分析
3.2 基于贝叶斯方法的ESN集成模型
3.3 基于变分推理的ESN集成模型
3.3.1 后验概率推导
3.3.2 参数估计步骤
3.4 ESN集成模型结构参数确定
3.5 基于变分推理ESN集成模型区间预测方法步骤
3.6 性能实验
3.6.1 参数估计准确性与模型结构合理性评价
3.6.2 区间泛化能力评价
3.7 本章小结
4 钢铁企业煤气数据算例
4.1 钢铁企业副产煤气
4.2 煤气数据区间预测步骤
4.3 区间预测方法评价指标
4.4 工业数据区间预测结果
4.4.1 高炉煤气受入流量区间预测
4.4.2 其它煤气流量数据区间预测结果
4.5 本章小结
5 总结与展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]钢铁企业煤气预测及优化调度系统开发[J]. 吴萌,马光宇,李志锋,金耀辉. 鞍钢技术. 2017(06)
[2]基于模糊粒化的改进混合神经网络股指期货价格区间预测[J]. 林焰,杨建辉. 南方金融. 2017(11)
[3]基于ARIMA与BP组合模型的煤矿瓦斯涌出量预测[J]. 邢浩然,杨应迪. 内蒙古煤炭经济. 2017(17)
[4]钢铁制造全流程余热余能资源的回收利用现状[J]. 代铭玉. 冶金经济与管理. 2017(02)
[5]钢铁企业副产煤气预测及优化调度[J]. 李红娟,熊文真. 钢铁. 2016(08)
[6]钢铁工业的副产煤气[J]. 燃料与化工. 2016(03)
[7]基于支持向量机的区间模糊数时间序列预测[J]. 刘齐林,曾玲,曾祥艳. 数学的实践与认识. 2015(22)
[8]基于模块化回声状态网络的实时电力负荷预测[J]. 肖勇,杨劲锋,马千里,阙华坤,王家兵,秦州. 电网技术. 2015(03)
[9]基于OS-ELM和Bootstrap方法的超短期风电功率预测[J]. 王焱,汪震,黄民翔,蔡祯祺,杨濛濛. 电力系统自动化. 2014(06)
[10]基于bootstrap分析方法的我国基金经理选股能力研究[J]. 王珏,张新民. 中国软科学. 2013(11)
博士论文
[1]基于模糊理论的时间序列预测研究[D]. 王威娜.大连理工大学 2016
[2]时间序列数据挖掘若干关键问题研究[D]. 何晓旭.中国科学技术大学 2014
硕士论文
[1]基于非线性Ensemble的短期负荷预测及置信区间[D]. 陈立国.天津大学 2016
本文编号：3247991
【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校
【文章页数】：49 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 本文主要工作
2 基于Bootstrap的ESN集成模型及变分推理参数估计
2.1 基于Bootstrap的ESN集成模型
2.1.1 回声状态网络
2.1.2 Bootstrap区间估计方法
2.1.3 基于Bootstrap的ESN集成模型
2.2 变分推理参数估计
2.2.1 最大似然估计与贝叶斯估计
2.2.2 变分推理原理
2.3 本章小结
3 基于变分推理ESN集成模型的工业数据区间预测方法
3.1 工业数据组成分析
3.2 基于贝叶斯方法的ESN集成模型
3.3 基于变分推理的ESN集成模型
3.3.1 后验概率推导
3.3.2 参数估计步骤
3.4 ESN集成模型结构参数确定
3.5 基于变分推理ESN集成模型区间预测方法步骤
3.6 性能实验
3.6.1 参数估计准确性与模型结构合理性评价
3.6.2 区间泛化能力评价
3.7 本章小结
4 钢铁企业煤气数据算例
4.1 钢铁企业副产煤气
4.2 煤气数据区间预测步骤
4.3 区间预测方法评价指标
4.4 工业数据区间预测结果
4.4.1 高炉煤气受入流量区间预测
4.4.2 其它煤气流量数据区间预测结果
4.5 本章小结
5 总结与展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
【参考文献】：
期刊论文
[1]钢铁企业煤气预测及优化调度系统开发[J]. 吴萌,马光宇,李志锋,金耀辉. 鞍钢技术. 2017(06)
[2]基于模糊粒化的改进混合神经网络股指期货价格区间预测[J]. 林焰,杨建辉. 南方金融. 2017(11)
[3]基于ARIMA与BP组合模型的煤矿瓦斯涌出量预测[J]. 邢浩然,杨应迪. 内蒙古煤炭经济. 2017(17)
[4]钢铁制造全流程余热余能资源的回收利用现状[J]. 代铭玉. 冶金经济与管理. 2017(02)
[5]钢铁企业副产煤气预测及优化调度[J]. 李红娟,熊文真. 钢铁. 2016(08)
[6]钢铁工业的副产煤气[J]. 燃料与化工. 2016(03)
[7]基于支持向量机的区间模糊数时间序列预测[J]. 刘齐林,曾玲,曾祥艳. 数学的实践与认识. 2015(22)
[8]基于模块化回声状态网络的实时电力负荷预测[J]. 肖勇,杨劲锋,马千里,阙华坤,王家兵,秦州. 电网技术. 2015(03)
[9]基于OS-ELM和Bootstrap方法的超短期风电功率预测[J]. 王焱,汪震,黄民翔,蔡祯祺,杨濛濛. 电力系统自动化. 2014(06)
[10]基于bootstrap分析方法的我国基金经理选股能力研究[J]. 王珏,张新民. 中国软科学. 2013(11)
博士论文
[1]基于模糊理论的时间序列预测研究[D]. 王威娜.大连理工大学 2016
[2]时间序列数据挖掘若干关键问题研究[D]. 何晓旭.中国科学技术大学 2014
硕士论文
[1]基于非线性Ensemble的短期负荷预测及置信区间[D]. 陈立国.天津大学 2016
本文编号：3247991
本文链接：https://www.wllwen.com/guanlilunwen/shengchanguanlilunwen/3247991.html
