- 上一篇：板式换热器的研究现状
- 下一篇：茶叶多糖国内外研究现状
（2）一些改进的神经网络预测方法。基于神经网络预测的一些改进方法包括:首先建立神经网络模型预测气象数据，进而根据所得气象预测数据再建神经网络模型预测风速数据的双神经网络预测;从风速物理特性出发提出的基于改进空间相关法和径向基神经网络的短期风速分时预测模型，该模型采用空间平移法对空间相关法进行改进，同时采用径向基神经网络确定相关点与风速时间曲线之间的关系;结合正交最小平方以及结构算法构建径向基神经网络，用于未来几小时内风速的预测;采用扩展卡尔曼滤波的迟滞神经网络风速序列预测，基于时间序列预测风速的循环多层感知(RMLP)神经网络模型等。
以小波理论改进的相空间重构神经网络预测模型可有效地改善预测滞后的问题，预测精度可高于基于混沌相空间重构的神经网络模型。也可充分考虑风速及风向的强相关性，将二者合并成为复数，采用复数线形结构RNN，引入复数实时循环学习算法，在复数域进行非线性自适应滤波，推导出适合于一般神经元的复数激励函数，将该模型用于风速预测。
由于需要样本数据进行学习训练以提高模型的自适应能力，采用神经网络的预测方法比传统的预测方法需要数据量要大。
4其他预测方法
其他一些风速预测方法有:基于支持向量机的预测法、线形差值与空间平滑法结合的预测法、基于灰色理论的预测法、基于风速数据正态过程的预测等。
支持向量机具有内在需要样本少、避免文数灾难、无局部最优值等优点，但从物理和统计方法两方面对支持向量机预测法的分析表明，其完善性以及于风速预测中的应用还有待于更进一步的研究。T.H.M.El-Fouly等人以仿真的方式采用灰色模型提前1小时预测了风速，该预测平均精度可达11.2％，效果较好。他们还进一步提出了平均灰色模型，使预测性能获得了进一步提高。预测风速的不确定性可采用基于正态过程的方法实现，利用粒子机理技术(kernel machine technique)及贝叶斯估计，以近似的GP模型构建预测模型，估计出风速的上、下限值。他们还提出了进一步研究将着力于评估最优的聚合系数以及为获得该模型更好的特性对模型进行动态组合等问题。
值得说明的是，风速数据样本一定意义决定了预测模型的建立以及预测结果的准确性，可基于模式识别技术选取有效的风速样本数据，或者是基于数据挖掘的回归树和朴素贝叶斯分类器进行预测所用数据的筛选。
5组合的预测方法
组合预测是近年来风速预测领域的常见新方法。其通过组合数个单一预测模型的预测值，如果精度提高，则其使用的单一预测模型对组合模型的精度贡献就为正相关，精度提高越多，则正相关性越强。反之如果精度降低，则其使用的单一预测模型对组合模型的精度贡献就为负相关。相关研究可使用某些数学工具进行数据研究，定性定量这些单一预测模型对组合模型的贡献，根据数据特点筛选出最合适的研究模型。
例如:利用BP神经网络、径向基函数神经网络与支持向量机进行风速预测的组合预测模型;将支持向量机、模糊逻辑、神经网络结合使用的预测方法。基于相似性样本的多层前馈神经网络风速预测方法。或是利用小波函数将原始波形进行不同尺度的分解，将分解得到的周期分量用时间序列进行预测，其余部分采用神经网络进行预测，最后将信号序列进行重构得到完整的风速预测结果的预测方法，这种方法在神经网络的学习过程中加入了微分进化算法，提高了其收敛速度，解决了局部最小化问题