2。2 BP神经网络 9

2。21 人工神经网络 9

2。22 BP神经网络 11

2。23 BP神经网络的缺点 13

2。3 单乘神经元模型 14

2。31 单乘神经元模型简介 14

2。32 单乘神经元模型结构 14 

2。4本章小结 15

第三章 扩展卡尔曼滤波算法 16

3。1 卡尔曼滤波 16

3。2扩展的卡尔曼滤波 18

3。2。1 非线性模型线性化 18

3。2。2 扩展卡尔曼滤波算法的公式推导 20

3。2。3 扩展卡尔曼滤波算法的性质 21

3。3本章小结 23

第四章 数学模型和实验结果 24

4。1 数学模型 24

4。2 实验数据 25

4。3 实验结果 25

第五章 结论与展望 28

5。1 工作及成果总结 28

5。2展望 28

致谢 29

参考文献 30

第一章 绪　论

1。1 时间序列预测的研究背景和国内外研究现状

1。2风速时间序列预测的研究意义及研究现状

1。3本文主要研究内容

本文主要内容是将单乘神经元模型结合扩展卡尔曼滤波。单乘神经元模型可以满足需要多个神经元的多层神经网络的应用场合，可以看作是结构简单，参数较少的神经网络，可以代替多层神经网络来完成函数逼近等任务。单神经元将输入的二进制脉冲流转化为模拟的空间分布的变量，如突触后隔膜的电压和分布于整个树枝和细胞体中的钙。一个实际的神经元作为操作单元时，并不比整个神经网络简单很多。使用真实的神经元来执行复杂的计算任务其本质目的是为下一代的神经网络提供增强的处理单元。

另一方面，我们虽能够通过卡尔曼滤波算法得到线性系统的最优滤波与预测解。但由于我们日常生活中几乎所有的系统都是非线性系统，对于非线性系统而言，使用常规方法无法处理高维度积分，因而卡尔曼滤波算法不再适用。为了解决这个问题，人们尝试找出了多种次优的近似性的非线性滤波方法。在这些方法中，本文主要讨论并且选用了贝叶斯框架下的扩展卡尔曼滤波算法（EKF）。

 基于这些内容，主要做了以下工作：文献综述

（1）介绍时间序列特别是混沌时间序列的相关内容，对现有各种时间序列预测方法的优缺点进行了分析和总结；

（2）单乘神经元模型在时间序列预测中有很多无可比拟的优势，本文具体地介绍了单乘神经元模型的理论，同时给出了它的算法；

（3）本文讨论了适用于非线性系统的非线性滤波算法，论述了扩展卡尔曼滤波算法的公式和性质；

（4）将扩展卡尔曼滤波算法结合单乘神经元网络应用于时间序列的预测，建立了时间序列在线预测模型。把该模型应用于风速时间序列的预测中，得出了很好的仿真实验结果。