Elman神经网络预测能量流及物质流方法
案例介绍
以合作企业的数据为案例来验证所提出的架构和模型。该企业作为典型的高能耗制造企业，适合于验证所提出的架构和模型。
循环神经网络（RNN）已被提出用于时间序列的特征学习中，并成为预测时序数据的一种强有力的工具。而Elman神经网络是最早的循环神经网络，是一种典型的动态局部递归神经网络，它是在BP网络基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，起到记忆的作用，从而使系统具有适应时变特性的能力，增强了网络的全局稳定性，使之比前馈型神经网络具有更强的计算能力。其中，输入层的单元只起到信号传输作用，输出层单元起到加权作用。隐层单元有线性和非线性两类激励函数，通常激励函数取Signmoid非线性函数。而承接层则用来记忆隐层单元前一时刻的输出值，可以认为是一个有一步迟延的延时算子。隐层的输出通过承接层的延迟与存储，自联到隐层的输入，这种自联方式使其对历史数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到动态建模的目的
Elman神经网络预测能量流及物质流方法
案例介绍
在高能耗制造企业中，由于离散和连续流在整个制造过程中的交互和耦合，使得预测建模具有很大的复杂性。因此，利用深度神经网络对清洁生产过程中的相关参数进行预测，以达到节能减排的目的。
以合作企业的数据为案例来验证所提出的架构和模型。该企业作为典型的高能耗制造企业，适合于验证所提出的架构和模型。
循环神经网络（RNN）已被提出用于时间序列的特征学习中，并成为预测时序数据的一种强有力的工具。而Elman神经网络是最早的循环神经网络，是一种典型的动态局部递归神经网络，它是在BP网络基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，起到记忆的作用，从而使系统具有适应时变特性的能力，增强了网络的全局稳定性，使之比前馈型神经网络具有更强的计算能力。其中，输入层的单元只起到信号传输作用，输出层单元起到加权作用。隐层单元有线性和非线性两类激励函数，通常激励函数取Signmoid非线性函数。而承接层则用来记忆隐层单元前一时刻的输出值，可以认为是一个有一步迟延的延时算子。隐层的输出通过承接层的延迟与存储，自联到隐层的输入，这种自联方式使其对历史数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到动态建模的目的
案例图片
1小时精推人才
需求方专属客服，免费梳理匹配
