摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第9-13页 |
1.1 研究背景与意义 | 第9页 |
1.2 研究现状 | 第9-11页 |
1.3 本文工作 | 第11页 |
1.4 本文组织结构 | 第11-13页 |
第2章 预测及相关的机器学习算法 | 第13-30页 |
2.1 预测及常用工具 | 第13-23页 |
2.1.1 回归技术 | 第13-14页 |
2.1.2 神经网络 | 第14-21页 |
2.1.3 SVM | 第21-23页 |
2.2 机器学习新工具ELM | 第23-28页 |
2.2.1 超限学习机(ELM) | 第23-24页 |
2.2.2 基本差分进化算法(DE) | 第24-25页 |
2.2.3 自适应差分进化算法(SaDE) | 第25-26页 |
2.2.4 自适应的进化超限学习机(SaE-ELM) | 第26-28页 |
2.3 本章总结 | 第28-30页 |
第3章 理性和自适应的进化超限学习机算法 | 第30-38页 |
3.1 近似模型 | 第30-31页 |
3.2 阶近似模型 | 第31-32页 |
3.3 最优搜索方向 | 第32页 |
3.4 RSM突变策略 | 第32-33页 |
3.5 个体档案库 | 第33-34页 |
3.6 自适应参数 | 第34页 |
3.7 试验向量的混合策略 | 第34-36页 |
3.8 RSM-DE算法 | 第36页 |
3.9 RSM-DE-ELM | 第36-37页 |
3.10 本章总结 | 第37-38页 |
第4章 实验结果及分析 | 第38-44页 |
4.1 在单一目标基准测试函数的性能 | 第38-40页 |
4.2 RSM-DE-ELM对于市场电价预测 | 第40-43页 |
4.3 本章总结 | 第43-44页 |
第5章 总结与展望 | 第44-45页 |
参考文献 | 第45-48页 |
致谢 | 第48-49页 |
个人简历、在学期间发表的学术论文与研究成果 | 第49页 |