In this works, artificial neural ne

In this works, artificial neural network is com-bined with wavelet analysis for the forecast of solar irradiance. This method is characteristic of the preprocessing of sample data using wavelet transformation for the forecast, i.e., the data se-quence of solar irradiance as the sample is first mapped into several time-frequency domains, and then a chaos optimization neural network is established for each domain. The forecasted so-lar irradiance is exactly the algebraic sum of all the forecasted components obtained by the re-spective networks, which correspond respec-tively the time-frequency domains. On the basis of combination of chaos optimization neural network and wavelet analysis, a model is devel-oped for more accurate forecasts of solar irradi-ance. An example of the forecast of daily solar irradiance is presented in the paper, the historical daily records of solar irradiance in Shanghai constituting the data sample. The results of the example show that the accuracy of the method is more satisfacto

ผลลัพธ์ (ไทย) 1:

ในงานนี้ โครงข่ายประสาทเทียมเป็น com bined กับวิเคราะห์การคาดการณ์ของแสง irradiance wavelet วิธีนี้เป็นลักษณะของการประมวลผลเบื้องต้นของข้อมูลตัวอย่างที่ใช้การแปลง wavelet การคาดการณ์ เช่น se-quence ข้อมูลของ irradiance พลังงานแสงอาทิตย์เป็นตัวอย่างก่อนได้ถูกแมปไว้ในโดเมนความถี่เวลาหลาย และจากนั้น การก่อตั้งเครือข่ายประสาทเพิ่มประสิทธิภาพความวุ่นวายสำหรับแต่ละโดเมน Irradiance เพื่อ-lar คาดการณ์ได้ว่าผลรวมพีชคณิตของส่วนประกอบที่คาดการณ์ได้ โดยเครือข่ายใหม่ spective ซึ่งตรง respec tively โดเมนความถี่เวลา โดยรวมความวุ่นวายเพิ่มประสิทธิภาพโครงข่ายประสาทและ wavelet วิเคราะห์ แบบจำลองเป็น devel oped สำหรับการคาดการณ์ที่แม่นยำขึ้นของพลังงานแสงอาทิตย์ irradi-ance ตัวอย่างของการคาดการณ์ของแสง irradiance ประจำวันมีการนำเสนอในกระดาษ ข้อมูลประจำวันประวัติศาสตร์ของแสง irradiance ในเซี่ยงไฮ้ที่ค่าข้อมูลตัวอย่าง ผลลัพธ์ของตัวอย่างแสดงว่าความถูกต้องของวิธีการ satisfacto เพิ่มเติม

ผลลัพธ์ (ไทย) 2:

ในงานนี้เครือข่ายประสาทเทียมคอมแบบผสมที่มีการวิเคราะห์เวฟสำหรับการคาดการณ์ของรังสีแสงอาทิตย์ วิธีการนี​​้จะเป็นลักษณะของการ preprocessing ของข้อมูลตัวอย่างโดยใช้การแปลงเวฟสำหรับการคาดการณ์คือข้อมูลที่ SE-quence ของรังสีแสงอาทิตย์เป็นตัวอย่างจะถูกจับคู่ครั้งแรกในหลายโดเมนเวลาความถี่และจากนั้นเครือข่ายเพิ่มประสิทธิภาพความวุ่นวายประสาทที่จะจัดตั้งขึ้นสำหรับ แต่ละโดเมน ประมาณการรังสีที่ LAR เป็นว่าผลรวมเกี่ยวกับพีชคณิตของทุกชิ้นส่วนที่ได้รับการคาดการณ์โดยเครือข่ายใหม่ spective ซึ่งสอดคล้อง respec-ลำดับโดเมนเวลาความถี่ บนพื้นฐานของการรวมกันของการเพิ่มประสิทธิภาพเครือข่ายประสาทความสับสนวุ่นวายและการวิเคราะห์เวฟรูปแบบคือ-devel oped สำหรับการคาดการณ์ที่ถูกต้องมากขึ้นของพลังงานแสงอาทิตย์ irradi-ance ตัวอย่างของการคาดการณ์ของรังสีแสงอาทิตย์ในชีวิตประจำวันจะนำเสนอในกระดาษบันทึกประจำวันประวัติศาสตร์ของรังสีแสงอาทิตย์ในเซี่ยงไฮ้ประกอบเป็นตัวอย่างข้อมูล ผลที่ได้จากตัวอย่างที่แสดงให้เห็นว่ามีความถูกต้องของวิธีการที่เป็น satisfacto มากขึ้น

ผลลัพธ์ (ไทย) 3:

ในงานนี้ โครงข่ายประสาทเทียมเป็น com bined กับการวิเคราะห์เวฟเล็ตเพื่อการคาดการณ์ของพลังงานแสงอาทิตย์ดังกล่าว . วิธีนี้เป็นลักษณะของการเตรียมข้อมูลตัวอย่างโดยใช้การแปลงเวฟเล็ตเพื่อพยากรณ์ คือ ข้อมูล เซ quence พลังงานแสงอาทิตย์ดังกล่าวเป็นตัวอย่างแรกแมปเป็นโดเมนเวลาหลายแล้วความวุ่นวายเพิ่มประสิทธิภาพโครงข่ายประสาทเทียมก่อตั้งขึ้นสำหรับแต่ละโดเมน พยากรณ์ดังนั้น ลาร์ดังกล่าวเป็นพีชคณิตผลรวมของทั้งหมดจากส่วนประกอบที่ได้จากอีก spective เครือข่าย ซึ่งสอดคล้องกับที่ respec มีเวลาโดเมน บนพื้นฐานของการรวมกันของความสับสนวุ่นวายและการวิเคราะห์เวฟเล็ตเพิ่มประสิทธิภาพโครงข่ายประสาทเทียม ,แบบพัฒนาขึ้นเพื่อความถูกต้องมากกว่าการคาดการณ์ของ ance irradi พลังงานแสงอาทิตย์ ตัวอย่างของการพยากรณ์ดังกล่าวแสงอาทิตย์ทุกวัน ได้แสดงไว้ในกระดาษ ทุกวัน บันทึกประวัติศาสตร์ของพลังงานแสงอาทิตย์ดังกล่าวในเซี่ยงไฮ้ประกอบเป็นข้อมูลตัวอย่าง ผลลัพธ์ของตัวอย่างที่แสดงความถูกต้องของวิธีการ satisfacto เพิ่มเติม