导读:本文包含了贝叶斯概率神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:分布式光伏,概率预测,贝叶斯神经网络,t分布邻域嵌入
贝叶斯概率神经网络论文文献综述
赵康宁,蒲天骄,王新迎,李烨[1]（2019）在《基于改进贝叶斯神经网络的光伏出力概率预测》一文中研究指出光伏功率预测准确性对电网调度运行影响很大,传统的确定性预测方法对光伏出力波动的响应能力不足,给电网的安全稳定运行带来挑战。提出了基于改进贝叶斯神经网络的光伏出力概率预测方法,将神经网络的权重以概率分布的形式表示,提高了神经网络应对光伏出力随机性的能力;依据输入输出相关性进行特征降维,提高数据密度,抑制过拟合;在贝叶斯神经网络的输入端引入全连接神经网络与一维卷积神经网络,提高网络对不同输入数据的信息提取能力,提高预测精度。以实际系统为例进行实证分析,结果表明,与传统的确定性预测模型相比,所提方法在光伏出力波动时具有更高的预测准确率;与其他概率预测方法相比,所提方法在保持较高总体预测准确率的同时,预测功率区间更窄。(本文来源于《电网技术》期刊2019年12期）
杜拉,纪昌明,李荣波,张验科[2]（2015）在《基于小波-BP神经网络的贝叶斯概率组合预测模型及其应用》一文中研究指出采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,在结合区域的水文特性对数据进行预处理的基础上,将其应用于老挝Namngum水库的月径流量预测中,结果表明,该方法较单一BP神经网络模型和小波-BP神经网络模型而言,有效的提高了月径流量的预测精度;同时相对于确定性水文预报方法而言,基于小波-BP神经网络的贝叶斯概率组合预测模型定量地、以分布函数形式描述水文预报的不确定度,能向用户提供更多、更全面的信息,为决策提供更有价值的技术支持。(本文来源于《中国农村水利水电》期刊2015年07期）
Phanthavong,Tulaxay[3]（2015）在《基于小波-BP神经网络的贝叶斯概率组合预测模型及其在预报调度中的应用》一文中研究指出中长期径流预报方法一直是国内外研究的热点和难点,从传统的成因分析方法、水文统计法、时间序列分析方法等,发展到现代的人工神经网络、小波理论、灰色系统和混沌理论等,各方法因其机理与适用环境不同而各具优势。另外,随着水电站在电网系统的作用日益显着,以及水电站在电网系统的调度与运行日益复杂,继续深入研究中长期径流预报方法、补充和完善相关理论与方法,以合理、有效地提高中长期径流预报的精度,并在此基础上形成指导水库运行的调度策略,具有重要的理论意义和应用前景。本文主要完成如下两部分工作：(1)采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,将其应用于老挝Namngum水库月径流量预测中。该模型有效提高了预测精度；此外,同时相对于确定性水文预报方法而言,组合预测模型可定量地、以分布函数形式描述水文预报的不确定度,为后续水库调度提供了更多、更全面的信息。(2)以Namngum水电站为研究实例,以组合预报结果为依据,建立以发电量最大为目标函数的优化调度模型,并采用POA算法进行求解；将调度结果同现有运行方式下的结果进行对比,结果表明,应用WA-BP-BY模型预报结果可在原有基础上进一步提高Namngum水电站水库的发电效益,可为今后水电站水库发电计划制定提供参考依据。(本文来源于《华北电力大学》期刊2015-03-01）
鲁帆,蒋云钟,殷峻暹[4]（2008）在《基于BP神经网络的贝叶斯概率枯季径流预报研究》一文中研究指出根据枯季径流的特点,采用多元线性回归模型模拟了先验分布和似然函数,建立了基于BP神经网络的贝叶斯概率枯季径流预报模型。与传统枯季径流预报方法相比,该方法预报精度高,能以概率分布形式定量描述预报的不确定性,为水量调度提供了科学的决策依据,实例应用表明,效果理想。(本文来源于《水电能源科学》期刊2008年03期）
李向阳,程春田,林剑艺[5]（2006）在《基于BP神经网络的贝叶斯概率水文预报模型》一文中研究指出本文在贝叶斯概率水文预报系统(BFS)框架之上,研究了双牌水库水文预报的不确定性,建立了流量先验分布及似然函数的BP神经网络模型,并通过Markov链Monte Carlo(MCMC)方法求解得到流量后验分布及其统计参数。通过对双牌水库历史洪水的研究结果表明,基于BP神经网络的BFS不仅显着提高了预报精度,而且为防洪决策提供了更多的信息,使得预报人员在决策中能考虑预报的不确定性,定量的估计各种决策的风险和后果。(本文来源于《水利学报》期刊2006年03期）
贝叶斯概率神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,在结合区域的水文特性对数据进行预处理的基础上,将其应用于老挝Namngum水库的月径流量预测中,结果表明,该方法较单一BP神经网络模型和小波-BP神经网络模型而言,有效的提高了月径流量的预测精度;同时相对于确定性水文预报方法而言,基于小波-BP神经网络的贝叶斯概率组合预测模型定量地、以分布函数形式描述水文预报的不确定度,能向用户提供更多、更全面的信息,为决策提供更有价值的技术支持。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
贝叶斯概率神经网络论文参考文献
[1].赵康宁,蒲天骄,王新迎,李烨.基于改进贝叶斯神经网络的光伏出力概率预测[J].电网技术.2019
[2].杜拉,纪昌明,李荣波,张验科.基于小波-BP神经网络的贝叶斯概率组合预测模型及其应用[J].中国农村水利水电.2015
[3].Phanthavong,Tulaxay.基于小波-BP神经网络的贝叶斯概率组合预测模型及其在预报调度中的应用[D].华北电力大学.2015
[4].鲁帆,蒋云钟,殷峻暹.基于BP神经网络的贝叶斯概率枯季径流预报研究[J].水电能源科学.2008
[5].李向阳,程春田,林剑艺.基于BP神经网络的贝叶斯概率水文预报模型[J].水利学报.2006