1、“.....提高风电穿透功率极限。本文提出种基于的极端学习机集成预测算法提高风电场风速预测的准确性。通果进行比较，本文所提出方法和均较小，如表所示。结语为了增强训练数据的差异性，本文提出种基于的集成预测算法预测风电场风速，算法运用算法训练集成算法中的个体，并采用加权平均的方法对个体的预测结果进行综合，实验结果表基于的短期风速极端学习机集成预测论文原稿的基础上，将传统前馈神经网络参数训练问题转化为求解线性方程组，以直接计算输出权值的最小乘解的方式完成网络训练过程。基于的短期风速极端学习机集成预测论文原稿......”。

2、“.....计算各个体网络在集成预测模型中的权值，集成预测算法产生差异性训练数据训练多个个体，然后利用加权平均的方法集成各个体的预测结果。实验表明，与个体预测模型相比，该算法有更高的预测精度。关键词旋转森林极端学习机短期风速预测中图分类号文献标识码文章编号引言对风电场风速的准确预测，可以减少训练集成算法中的个体，并采用加权平均的方法对个体的预测结果进行综合，实验结果表明，本文所提出算法有效的提高了风速的预测精度。参考文献，计算个体网络在每个训练样本上的误差，计算各个体网络在集成预测模型中的权值......”。

3、“.....基于的短期风速极端学习机集成预测本文选取风电场采样时间间隔小时的预测期前的个实测风速数据为训练样本，分别对当年个季节中的天小时的风速值进行预测。测算法首先，利用经过得到的新训练集作为输入输出来训练多个神经网络，并将各神经网络的预测结果进行综合，以得到最终的分类结果。具体步骤如下已知训练数据集，为集成算法中神经网络的个数为子集个数最大迭代次数给定为。准备旋转矩阵将特征文所提出方法和均较小，如表所示。结语为了增强训练数据的差异性，本文提出种基于的集成预测算法预测风电场风速，算法运用算法训练集成算法中的个体......”。

4、“.....实验结果表明，本文所提出端学习机在随机给定输入权值与神经元参数的基础上，将传统前馈神经网络参数训练问题转化为求解线性方程组，以直接计算输出权值的最小乘解的方式完成网络训练过程。计算个体网络在每个训练样本上的误差，计算各个体网络在集成预测模型中的权值，集成预测模型的输出为。的集成预测算法，即采用算法产生差异性训练数据训练多个个体，然后利用加权平均的方法集成各个体的预测结果。实验表明，与个体预测模型相比，该算法有更高的预测精度......”。

5、“.....采用主成分分析变换对每个子集进行特征提取得到主成分系数，进而得到重新排列后的特征向量矩阵。训练网络，以作为每个网络的训练集，并给定激活函数，隐层节点数。随机给定输入权值以及隐层偏置值，。计算隐层输出矩阵和输出权值。输出权值。基于的短期风速极端学习机集成预测论文原稿。旋转森林算法旋转森林主要是对集成分类器的原始样本特征进行处理，通过定的特征提取变换获得集成所需的新样本，并且在保证分类准确性的前提下，增加集成分类器个体间的差异性......”。

6、“.....并采用加权平均的方法对个体的预测结果进行综合，实验结果表明，本文所提出算法有效的提高了风速的预测精度。基于的短期风速极端学习机集成预测论文原稿。参考文献，算法有效的提高了风速的预测精度。采用主成分分析变换对每个子集进行特征提取得到主成分系数，进而得到重新排列后的特征向量矩阵。训练网络，以作为每个网络的训练集，并给定激活函数，隐层节点数。随机给定输入权值以及隐层偏置值，。计算隐层输出矩阵和基于的短期风速极端学习机集成预测本文选取风电场采样时间间隔小时的预测期前的个实测风速数据为训练样本......”。

7、“.....按照第节算法步骤进行预测，个体网络个数选择为个。将本文方法与两种单项预测模型预测结果进行比较，本号引言对风电场风速的准确预测，可以减少电力系统的运行成本和旋转备用，提高风电穿透功率极限。本文提出种基于的极端学习机集成预测算法提高风电场风速预测的准确性。通过对风电场个季节中天小时的风速预测结果表明，所提出的算法能有效提高预测精度。极端学习机极，毛莎莎，熊霖，焦李成等利用旋转森林变换的异构多分类器集成算法西安电子科技大学学报，摘要为了对风速进行准确的预测......”。

8、“.....个体网络个数选择为个。将本文方法与两种单项预测模型预测结果进行比较，本文所提出方法和均较小，如表所示。结语为了增强训练数据的差异性，本文提出种基于的集成预测算法预测风电场风速，算法运用算法训练集成算法中过对风电场个季节中天小时的风速预测结果表明，所提出的算法能有效提高预测精度。极端学习机极端学习机在随机给定输入权值与神经元参数的基础上，将传统前馈神经网络参数训练问题转化为求解线性方程组，以直接计算输出权值的最小乘解的方式完成网络训练过程。计算个明......”。

9、“.....摘要为了对风速进行准确的预测，本文提出种基于的集成预测算法，即采用算法产生差异性训练数据训练多个个体，然后利用加权平均的方法集成各个体的预测结果。实验表明，与个体预测模型相比，该模型的输出为。基于的短期风速极端学习机集成预测本文选取风电场采样时间间隔小时的预测期前的个实测风速数据为训练样本，分别对当年个季节中的天小时的风速值进行预测。按照第节算法步骤进行预测，个体网络个数选择为个。将本文方法与两种单项预测模型预测结电力系统的运行成本和旋转备用，提高风电穿透功率极限......”。