Elman神经网络的数据预测----电力负荷预测模型研究

资 源 简 介

Elman神经网络是Elman于1990年提出的，该模型在前馈网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有适应时变特性的能力，能直接动态反映动态过程系统的特性。 Elman型回归神经网络一般分为四层：输入层，中间层（隐含层），承接层和输出层。 如图: 起输入层，隐含层和输出成的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或者状态层，它用来记忆隐含层单元前一时刻的输出值并返

详 情 说 明

Elman神经网络是Elman于1990年提出的，该模型在前馈网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有适应时变特性的能力，能直接动态反映动态过程系统的特性。

Elman型回归神经网络一般分为四层：输入层，中间层（隐含层），承接层和输出层。在这个模型中，输入层负责接收外部输入的信号，隐含层负责处理这些输入信号，并通过承接层将前一时刻的输出值传递给当前时刻的输入层，以实现记忆功能。最后，输出层负责根据经过隐含层和承接层处理后的信号生成最终的输出。

如下图所示，输入层、隐含层和输出层之间的连接类似于前馈网络，其中输入层的单元主要起到信号传输的作用，而输出层单元则起到线性加权的作用。隐含层的单元可以采用线性或非线性函数作为传递函数，以实现对输入信号的处理。承接层也称为上下文层或者状态层，它用来记忆隐含层单元前一时刻的输出值，并将其返回给输入层，相当于一个一步延时的算子。

通过引入承接层，Elman神经网络在前馈网络的基础上增加了记忆功能，使得系统能够适应时变特性，并能够直接动态反映动态过程系统的特性。