緒論1.1課題背景電力企業(yè)的主要生產產品就是電能，也是判斷和衡量電力企業(yè)的重要標準之一。它是計算銷售價格、銷售利潤、線損管理等一系列指標的基礎數(shù)據(jù)。由于售電量的變化和發(fā)展受到許多不確定因素的影響，例如國民經濟的發(fā)展，天氣的變化，電價政策取向的變化，電網設備特性的變化，用電方式的變化等等[1]。這對電力預測和銷售造成了很大困擾，因此，電網企業(yè)能量管理的重要一項任務是精準的預測分析月度銷售電量。準確預測轄區(qū)用電量情況，為供電企業(yè)提供重要的市場營銷決策支持，在電廠，輸配電網絡的合理運行中發(fā)揮重要作用[2]。同時，電力行業(yè)的發(fā)展也會受益良多。1.2預測的意義從用戶的角度來看，它獲得了更穩(wěn)定、更優(yōu)質的動力。如果做到了精準的電量預測，那么用電企業(yè)從電力市場就會獲得性價比更高的電能。某種程度上分析，用電企業(yè)生產和運營將減少大量開支。按照現(xiàn)有的條件判斷，用電量預測不光要緊緊局限于傳統(tǒng)的技術性問題，只僅僅計較于算法模型層次，更要考慮到政策和經濟問題。而且它還是能量管理系統(tǒng)的重要結構，甚至是電力行業(yè)制定和實施各種發(fā)展計劃的根本依據(jù)。電網要想調度良好，就必須有一個準確的電力預測作為基礎。在電廠和電網制定發(fā)供電計劃方面，在安排供需平衡方面均能提供有效幫助。如果做到了用電量預測十分精準，那將在很多具體工作環(huán)節(jié)起到積極作用，例如電能生產，電能輸送，電能分配以及電能使用。良好的計劃也能被制定，達到電力系統(tǒng)安穩(wěn)運行的目的。準確的用電量預測可以使電力企業(yè)合理、高效地進行規(guī)劃。在火電發(fā)電方面，作用效果非常顯著機組之間可以更好協(xié)同合作，生產利潤比以前更多了。風電方面，準確預測峰谷段，為其他機組調峰做好準備。在水電方面，涉及到庫存放水，可以做到最佳利用自然資源。準確的用電預測，是能否使電力市場管理走向更加正規(guī)化，高效化，合理化的關鍵所在。甚至是構建電力物聯(lián)網[3]的重要基礎。1.3預測研究的現(xiàn)狀經典預測，第二個方向是依靠新技術進行電力銷售預測。上個世紀80世界各國對該方面的變得逐步重視起來。等到90生活中不可缺少的商品。對于電力資源的管理已經成為一門科學，同時，長時間的技術積累和沉淀，使得售電量預測從傳統(tǒng)的離線到在線預測。同時智能化程度也提高了。1.3.1傳統(tǒng)預測方法經典的電力銷售預測方法包括四種方法。(1)回歸分析法：長久的積累，在積攢了足夠觀測數(shù)據(jù)之后?；跀?shù)學統(tǒng)計，在因變量和自變量之間建立回歸函數(shù)表達式（回歸方程）。通過自變量的個數(shù)來確定是單回歸或多元回歸。解決問題是依據(jù)問題的性質，兩者皆可。大多數(shù)情況下，常用線性回歸來解決問題。如果要進行回歸分析，描述變量之間的相關性質，就需要建立回歸方程。(2)小波分析：小波分析是分析原始信號的各種變化特征，并進一步用于數(shù)據(jù)壓縮，噪聲去除和特征選擇[6]。比如唱歌的信號，不管多高或多低，多長時間，上下起伏，旋律等等。根據(jù)特征選擇的方法可以從看似平穩(wěn)的波形中找到峰值。實際上原理是原始的信息被數(shù)種“小波基函數(shù)”分解運算。小波分析強大在于是包含了數(shù)學、工程技術。從數(shù)學上講，這是本世紀大部分時間的“諧波分析”（包括傅立葉分析，函數(shù)空間等）的結晶嗎。通過小波變換，可以獲得頻率分析性質。其自身也往往代表了時間。相比于Fourier變換只具有頻率分析的性質，小波變換的時間代表作用具有重要意義。小波變換的速度也要快一個數(shù)量級以上。(3)灰色預測方法：灰色系統(tǒng)同比與白色系統(tǒng)，它定義是介于白系統(tǒng)和黑箱系統(tǒng)之間的過渡系統(tǒng)?；诨疑到y(tǒng)的預測方法叫做灰色預測。根據(jù)灰色系統(tǒng)理論可以認為該預測方法是有界有序之中研究無序隨機發(fā)展過程的現(xiàn)象的預測。總體范圍內有界；變化的方向遵循著一定規(guī)律；發(fā)展和時間關聯(lián)；但同時又包含未知或不確定信息的，所以對該系統(tǒng)的預測是一個灰色過程的預測。深層次說，數(shù)據(jù)本身可以探索潛在的未知規(guī)律。預測步驟分為四步，首先探索出系統(tǒng)的變化規(guī)律，緊接著根據(jù)所探尋出來的規(guī)律生成序列，序列要求具有對應的規(guī)則。根據(jù)序列的關系，微分方程就可以建立，最后根據(jù)方程對象未來的發(fā)展趨勢就可以預測出來。本質上是利用定量預測不定量，即根據(jù)對象的特征值來建立模型預測未來時間段的特征量。對于序列或災變難以預測、不需要拓撲預測的無序序列，可以構造上邊界GM（1,1）和下邊界GM（1,1）來覆蓋，即包絡模型。(4)時間序列法：是一種基于歷史數(shù)據(jù)的方法，原理是對數(shù)據(jù)擴展預測，因為其核心思想是擴展數(shù)據(jù)所以被稱做歷史數(shù)據(jù)的擴展預測法。它是通過時間序列來推斷和預測社會經濟現(xiàn)象發(fā)展趨勢的一種方法[10]。根據(jù)原理其可以叫歷史復合序列方法，因為狀態(tài)的原因其也被叫做動態(tài)序列法。它本質是按照一定時間和順序排列的統(tǒng)計指標數(shù)量。其內容包括數(shù)據(jù)處理和歷史初步計算；可以通過檢查和識別數(shù)據(jù)來組織它們；通過對時間序列的分析，可以發(fā)現(xiàn)社會現(xiàn)象隨時間變化的規(guī)律，并得到一定的規(guī)律[12]。對于預測社會現(xiàn)象的未來常常適用于此方法。1.3.2現(xiàn)代智能預測方法（1）專家控制方法：專家系統(tǒng)是包含知識和推理的智能計算機程序，它包含專家的知識，有解決特殊問題的思維和能力[13]。集成系統(tǒng)在過去沒有行常常需要人的介入，即智能化程度不夠；人與計算機之間缺乏交互作用，控制器缺功能簡單，不能在工作環(huán)境中改變對象的的數(shù)據(jù)。專家系統(tǒng)主要任務是經過推理去解決不定量和定性式，任務大多都是解決各種非結構化問題。兩者的結合導致了它的產生[16]。（2）模糊控制預測方法:模糊控制的基礎是長期積累的經驗。現(xiàn)實工作中，對于復雜的操作過程，技藝精湛的工人往往憑借豐富的工作經驗，運用技巧，熟練地處理。設想把他們的工作經驗在收集，量化后進行數(shù)據(jù)處理，以定性或者不確性規(guī)則展現(xiàn)出來。將其轉化為模糊控制算法，從而形成模糊控制理論。嚴格來說，模糊控制沒有獨特的解釋，只有針對性表達。這種方法本質是仿照人類思考方式構建模型去控制對象。模糊控制理論具有一些明顯的特點:模糊控制基于模糊理論，語言變量和推理，卻無受控對象的數(shù)學模型。該控制不需要知道被控對象的數(shù)學模型[18]。模糊控制不同于其他控制方式，它沒有精確地數(shù)據(jù)，僅僅通過采用我們思維中的“高”、“低”、“大”和“小”等模糊量。模糊控制易于接受。模糊控制的核心是對程度描述的普遍規(guī)則，人們能夠輕松理解。例如說“昨天真冷，你真高”等等[20]。另外，由專家經驗設計的模糊規(guī)則可以有效地控制復雜對象[21]。（3）基于神經網絡的預測方法：用模擬我們思想的模型去工作。在廣泛的領域內，神經網絡都能應用。神經網絡控制在控制領域有著廣泛的應用[23]。1.4神經網絡不足神經網絡目前發(fā)展勢頭迅猛，應用領域也諸多。正因如此，人機接口存在缺陷用戶體驗方面較差，友好性不足。智能化程度不高，即智能化水平尚未達到現(xiàn)在的生產需求。因為領域眾多，導致很多領域內的發(fā)展并不完善。學習速度在在很多領域都很慢，比如線性分析。1.5所做工作1、研究工作、了解區(qū)域電力體系的用電量情況，搜羅電網的用電數(shù)據(jù)。2、學習神經網絡基本知識，了解各種神經網絡結構。3、自己根據(jù)情況構建網絡模型，設計算法。4、掌握matlab基礎知識，學會編寫仿真程序，編寫基于神經網絡的售電量預測分析仿真應用程序。

第二章電量預測概述2.1電網用電量特點及預測特點2.1.1各類用電特點出售出去的電能不僅僅是電廠的生產品，更是用來衡量電企的重要標準。對于電能的消耗，主要有四個方面：農村、工業(yè)、商業(yè)和城市居民。從另一個角度看，屬于第一二三產業(yè)和城鄉(xiāng)居民用電。第一產業(yè)用電指的是農事生產用電，這類用電波動性較大，因為受到氣候環(huán)境和農時的影響，農業(yè)生產的特點造成了其用電量和時間集中。不過農業(yè)用電時間的高峰錯位于第二產業(yè)用電，反而對電網的平穩(wěn)運行好處良多，提高了負荷率。第二產業(yè)用電多指工業(yè)上生產用電，并且第二產業(yè)用電在全社會用電總量占比最大，往往是衡量國家工業(yè)生產甚至經濟水準的重要指標。第二產業(yè)用電多少決定因素有工業(yè)生產的方式方法、季節(jié)的變化、各自行業(yè)生產特性。第三產業(yè)主要指服務業(yè)用電，這類用電隨著我國經濟發(fā)展平穩(wěn)，逐年穩(wěn)步上升。如今，商業(yè)部門的燈光照明、音響配置、冷氣交換覆蓋面積越來越廣，是全社會用電量增長的引擎。該類用電的特點是照明和空調的大量使用容易造成用電高峰，同時節(jié)假日一樣是用電高峰，也會受到季節(jié)和天氣的影響，不過這種因素造成的用電波動很小。城鄉(xiāng)居民用電情況較為復雜，有三個特點。一是逐年穩(wěn)步升高；其次是與居民的個人生活習慣有很大關系，難以捕捉規(guī)律；第三點是同樣受到了季節(jié)氣候的影響而有規(guī)律波動。2.1.2電網用電量預測特性總結條件性：用電量的預測模型無論做的多么完善，都是建立在一定條件基礎上進行預測的。電網用電的規(guī)律大體不變，但是涉及到具體到具體細節(jié)，同時為了保證預測的精度，往往就會是規(guī)律不定。面對未來不同的發(fā)展變化，會有不同的預測結果。時間性：在電量預測過程中，涉及到的計算數(shù)據(jù)很多，時間是決定計算數(shù)據(jù)量的重要依據(jù)，為了保證預測的準確性，需要定義預測時間。不確定性:影響用電量的因素有很多，比方天氣變化和用電個體的用電習慣，這種因素發(fā)展往往不確定性，也造成了預測的不確定性。多方案性：為應對各種突發(fā)狀況，需要提前制定適合不同情況的預測方案。2.2我國的電力供需形勢全社會用電量一貫持續(xù)穩(wěn)定增長，平穩(wěn)增長。根據(jù)氣象部門的預測，去年夏天該國大部分地區(qū)的氣溫很高，有些地區(qū)還將繼續(xù)升高。預計上半年全社會用電量將比去年同期慢，比去年同期慢。電力比重第三產業(yè)和居民的用電量將繼續(xù)增加，該系統(tǒng)的峰谷差異將繼續(xù)增加，并且該地區(qū)的電力和煤炭季節(jié)性緊張。預計華北地區(qū)的電力供應將趨緊，預計東北、西北地區(qū)電力供應能力過剩。大容量裝機繼續(xù)，非石化能源裝機容量比重穩(wěn)步增加。預計動力煤供需將呈現(xiàn)區(qū)域性、季節(jié)性偏緊態(tài)勢，以進口煤為主的東北、沿海、沿江地區(qū)電廠用煤高峰供需形勢可能更加嚴峻。2.3電量預測分類功率預測根據(jù)周期的長度分為多種預測：緊急預測：用于預測未來1-60分鐘的用電量，主要用于控制負載頻率，預防性監(jiān)視，監(jiān)視和緊急處理。超短期電量預測：未來幾天的用電量預測，短期預測：一年以內的用電量預測。中期用電量預測：1-5年的電量預測。長期電量預測：未來1-10年的用電量預測，常常是為電網，電廠的規(guī)劃，布局。2.4電量預測影響因素國家經濟發(fā)展，因此全社會用電量往往作為衡量經濟的重要指標。百姓的用電習慣、生活方式和作息節(jié)奏使用電量具有很強的不穩(wěn)定性。天氣、季節(jié)的影響，一般來說，隨著氣象預報技術的提高，這些已不再是限制預測的重要因素。節(jié)假日，特殊事件?？傮w來說有規(guī)律可循，極特別突發(fā)事件不可避免，只能依靠提前最好的預備方案和電網的適應能力。2.5電量預測基本規(guī)則相似性：對于月度用電量預測，通常情況下，每年的同一月份都具有相似的走勢。同時，與同一歷史時期相比，它們大多是統(tǒng)一的法律。同樣對于日用電量預測，例如春節(jié)、元宵節(jié)、端午節(jié)、國慶節(jié)等日用電量往往都和歷史用電量基本相同，并且該日用電量曲線狀態(tài)明顯區(qū)別于其他時間。完全性：完全依賴以往總結出的規(guī)則，再此為基礎，來預測未來的用電量。因此，原有的規(guī)則要幾乎包含影響用電量的全部因素。假設既有規(guī)則沒有包含一套完整的用電量影響因素，那么用電量預測結果也會不準確。預測的結果和預測原理本身就是基于完全性的原則，從過去的行為記錄開展研究，探尋規(guī)律。因此，要想使預測的準確度更高，預測量的歷史行為規(guī)律也需要越強。統(tǒng)計性：預測量的以往運行足跡經常包含不確定因素，因此具備了一定意義上的統(tǒng)計規(guī)律性?，F(xiàn)象本身既有偶然性，也有必然性。而且，隨著試驗次數(shù)的增加，規(guī)律性會變得越來越強。這種規(guī)律性稱為統(tǒng)計規(guī)律性，特點如下：僅適用于大量人身事故；個人事故的數(shù)目越多，統(tǒng)計規(guī)律越明顯；（3）即使對于整體上大量的個人事故，也稱為波動現(xiàn)象。延續(xù)性：在原有的條件不更改的情況下，有繼續(xù)保持原有狀態(tài)不變的性質。類比于物理運動學中所說的“慣性”，有繼續(xù)保持原有運動狀態(tài)的特性。而且類比于慣性大小取決于物體質量，隨著電網的規(guī)模越來越大，接入的電廠數(shù)量越來越多，電力系統(tǒng)的延續(xù)性也會隨之提高。同時我國也是電力資源消費大國，產業(yè)復雜，用電量需求輕易不會大幅度變化。2.6電量預測步驟2.6.1準備:（1）首先，我們需要確定我們的對象，對什么進行研究。本設計的研究對象為用電組織，預測量為用電量。（2）繼而確定項目預測時間范圍，按十年、五年、一年、一月為時間跨度，即長期、中期、短期和超短期電力預測。同時也要確定預測方法。（3）確定預測范圍，如果是地方電力的預測需要預測市級或者縣級區(qū)域內的用電量。如果是大區(qū)電網內的用電量預測，就需要預測省級區(qū)域內的用電量。如果是全國范圍內，就需要預測全國的用電量。（4）任何實驗離不開數(shù)據(jù)，所以要搜集足夠數(shù)據(jù)滿足實驗。首先，紙張材料不是從天上掉下來的“蘋果”，紙張材料的確定不能僅僅基于大腦的想象。通過收集和咨詢數(shù)據(jù)，我們可以獲得靈感，拓寬視野，激發(fā)科學思維和創(chuàng)造力，或者發(fā)現(xiàn)問題和不足之處，從而創(chuàng)造出許多結果。其次，通過收集信息，我們可以了解論文所需的信息，將會取得哪些成就，論文中存在哪些問題，該問題的關鍵是什么以及該領域的發(fā)展趨勢，因此使我的論文站在一個相對較高的起點。第三，通過數(shù)據(jù)收集，我們可以了解本文的一些基本事實和觀點，以及其他研究者在此問題上的想法和觀點，或者學習別人的思路方法，亦或在他人的工作中尋找靈感。總之，最后的要有自己的想法和創(chuàng)意。第四，收集到的數(shù)據(jù)可以對本文的修訂提出一些建議，使修訂更加完善和有效。彌補知識儲備的不足。（5）之后的步驟就是根據(jù)剖析數(shù)據(jù)得到的規(guī)律去確定方法，用方法做預測模型，進而預測出用電量。在預測模型中輸入預期內自變量目標值得到變量值稱為定性分析。最后一步，對模型的預測精度要有評估，依據(jù)就是預測誤差是否可接受（在可以忽略范圍內）。適合本項目幾種常用的誤差指標分析函數(shù)有：均方誤差

第三章神經網絡3.1神經網絡3.1.1神經網絡概述簡述：用數(shù)學模擬我們思想的一種模型3.2神經網絡典型實例3.2.1單神經網絡元三種經典非線性特征：1.閾值型2.分段線性型函數(shù)型因為模型的結構很簡單，所以不在我們的考慮范圍之內。3.2.2BP神經網絡（1）概述BP算法是一種以梯度下降法為核心思想的算法。本質上是誤差反向傳播的學習算法，它使用梯度搜索技術來最小化實際輸出值和預期輸出值之間的均方誤差[25]。BP網絡的特點：兼具輸入層、隱藏層和輸出層；各層相互連接，同一層神經元不相連；通過學習算法調整權重；神經元的興奮功能是一種功能；兩部分組成算法：前向傳播、后向傳播；層之間的連接是單向的，信息的傳播是雙向的。（3）BP網絡優(yōu)點：自學習與適應：這種網絡通過訓練過程中的學習，總結輸入量與輸出量，提取它們之間的“規(guī)則”，并在網絡權值中自適應地記憶學習內容[27]。泛化能力：所謂泛化能力是指網絡在設計模式分類器時是否可以正確分類所需的分類對象，以及經過網絡訓練后是否可以正確分類未知模式或噪聲污染模式[28]。容錯性：部分結構異常，不影響整體，全局訓練不受太大影響。足以說明其容錯性好。(4）缺點算法易陷入局部極小化：權重收斂到局部最小值，導致網絡訓練失敗[29]。另外，網絡權值對BP網絡影響程度較大。函數(shù)的復雜以及要更新規(guī)則都大大降低算法效率。由于在結構選擇上缺乏足夠的理論指導，而結構的選擇有相異，沒有合理的辦法解決這種問題，只能依靠經驗來談。因此這成為了最關鍵的一環(huán)，過大的結構直接弱化了網絡的逼近和泛化能力。過小的結構又不能達到收斂標準。預測能力和訓練能力之間存在所謂的“過擬合”現(xiàn)象。原因是，在線學習中有太多樣本詳細信息，并且所學習的模型不再能夠反映樣本內容的規(guī)則。因此，是否能夠依靠調整學習水平來解決網絡預測能力與訓練能力之間的矛盾已逐漸成為該領域的重要研究內容。6）BP神經網絡的樣本依賴性：網絡模型的逼近和泛化能力與學習樣本的典型性密切相關，從問題中選取典型樣本形成訓練集非常困難[34]。3.2.3RBF神經網絡徑向基函數(shù)（RBF）神經網絡是基于局部逼近原理的神經網絡。Moody和C.darken在20世紀80年代末提出的一種神經網絡，徑向基函數(shù)法在一定程度上利用了傳統(tǒng)的多維空間嚴格插值方法的研究成果[35]。徑向基函數(shù)是輸入模式向量擴展到隱藏空間構造的函數(shù)。RBF神經網絡構成分為三層，各自承擔著不同的功能。大量傳感單元組合構成了輸入層，是外界和網絡溝通的連接部分；該網絡中存在唯一的隱藏層，可以以非線性的形勢把輸入空間變成隱藏空間。且是一種高維度空間?；镜腞BF網絡是一個具有單穩(wěn)態(tài)層的三層前饋網絡。它是通過構建一種模擬人腦神經網絡，然后覆蓋感受域的網絡。因為這種結構，表明了函數(shù)可以在任何精度范圍內被其逼近。已經了解過RBF神經網絡是一種三層前向網絡。輸入層到輸出層之間的映射是通過兩種變換完成的。特點是前向網絡的局部逼近的神經網絡，非線性擬合能力非常強。RBF網絡的優(yōu)點：（1）由于最佳逼近性，局部極小不會產生。RBF神經網絡具有很強的輸入輸出映射功能。從理論上證明了RBF網絡是一種前向網絡映射函數(shù)的最佳網絡。目前來看RBF定義是前向網絡映射函數(shù)，因為其輸入輸出映射功能。（2）網絡連接權值與輸出呈線性關系。（3）分類能力好。（4）學習過程收斂速度快。3.2.4小波神經網絡小波變換的重要特性有兩個，分別是時頻特性和尺度特性。優(yōu)點體現(xiàn)在自學習性、自適應性、容錯性和魯棒性?；贐P神經網絡的小波神經網絡框架，用小波激勵函數(shù)替換sigmoid函數(shù)，并通過平移因子和伸縮因子構造小波基，其中平移因子所實現(xiàn)的功能相當于BP神經網絡里的閾值，即對加權后的輸入數(shù)值進行橫向微調[39]；膨脹系數(shù)的作用是在不同尺度上進行調節(jié)。也正是由于這兩個調整因子的結合，小波神經網絡才能更準確地逼近目標函數(shù)。小波變換具有時頻局部特征和聚焦特征的優(yōu)點。而神經網絡的自學習、自適應等優(yōu)點也是該變換的短板。因此對于將二者有機結合的研究非常重要。第一種方法，對信號預處理。小波分析用于變換信號，小波空間用作模式識別的特征空間。信號的通過小波分析，特征可以在空間中被分析出來，在神經網絡進行特征向量處理；另一個叫WNN的方法由irlsa的張慶虎提出。原理是在小波變換的基礎上，激勵函數(shù)由小波基函數(shù)（非線性）替換。所以方法具有小波變換和神經網絡的優(yōu)點。自小波變換研究提上日程，已經進行了很多相關研究。第一研究方向是小波和前饋神經網絡。與其他網絡的結合也是小波變換的研究熱題。

第四章網絡模型4.1模型構建自緊致型小波神經網絡被提出以來，因其結構簡單、靈活，以及對目標函數(shù)良好的逼近能力，已經在眾多領域得到廣泛應用[37]。小波生成函數(shù)在隱層作為激活函數(shù)。小波神經網絡擁有緊湊的結構，網絡結構下示：圖1前饋型小波神經網絡結構將輸入層設為I單位，輸入向量：[x1,x2,……,xJ]隱含層為J個單元，激勵函數(shù)為小波函數(shù)，伸縮因子向量：A=[a1,a2,…AJ].轉換因子的向量是B=[b1,b2,……,bJ],輸出向量：Y=[y1,y2,……,yk]，預期輸出向量:O=[o1,o2,……,ok]：輸入層和隱藏層、隱藏層和輸出層的權重為w，輸入層的第i個節(jié)點和第j個節(jié)點和隱藏層的第j個節(jié)點之間的權重為wi，j，隱藏層的第j個節(jié)點和輸出層的第k個節(jié)點之間的權重為WJ，k。U代表每一層神經元的輸入，V代表由激勵函數(shù)處理的輸出。在迭代訓練過程中。輸入為x，網絡的前向傳遞函數(shù)為：公式（1）式中：Tmax是…SDGi為第i個…訓練后期望輸出向量和實際輸出向量的差異是錯誤向量：Er=[ER1，ER2，ERK]，第k個神經元的輸出誤差為：公式（2）輸出層所有神經元輸出誤差能量總和即全局誤差能量為：公式(3)根據(jù)權值的修正量和誤差能量相對于權值的偏微分，計算各權值的修正量。然后按照增量學習規(guī)則，設置迭代次數(shù)。根據(jù)經驗公式，確定網絡中的隱層數(shù)。4.2訓練在設計完成后，將訓練數(shù)據(jù)輸入網絡進行訓練。所有樣本經過算法，在據(jù)此調節(jié)權值，然后反向修改權重和閾值，稱為一次訓練。神經網絡的性能主要取決于它是否具有良好的泛化能力。泛化能力的測試并不簡單，如果依靠訓