单变量单步时序预测：CNN-BiLSTM卷积神经网络结合双向长短期记忆神经网络

在能源结构向清洁化、低碳化转型的进程中，风能凭借其可再生、无污染的特性，在全球能源供应中的占比持续攀升。然而，风电功率受气象条件等多种因素影响，呈现出显著的波动性和随机性，这对电力系统的安全稳定运行、电力市场的高效调度以及风能的大规模消纳构成了严峻挑战。多变量输入单步预测通过综合考量风速、风向、温度、湿度等多个相关因素，对未来一个时刻的风电功率进行预测，能为电力系统运行提供更精准的参考。传统预测方法在处理多变量耦合、非线性的风电数据时，难以充分挖掘数据中的复杂特征，预测精度往往难以满足实际需求。

在全球能源转型加速推进的背景下，风电作为可再生能源的重要组成部分，其装机容量持续攀升。但风电功率受风速、风向、气温等多因素影响，呈现出强烈的随机性与波动性，给电力系统的稳定运行和调度带来严峻挑战。准确的风电功率预测是实现电力资源优化配置的关键。本文提出一种基于卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制（Attention）相结合的 CNN - BiLSTM - Attention 模型，用于风电功率的多变量输入单步预测。

在全球能源转型的大背景下，风能作为一种清洁、可再生的能源，其开发和利用受到了广泛关注。然而，风电功率具有很强的波动性和不确定性，这给电力系统的稳定运行、调度规划带来了巨大挑战。准确的风电功率预测能够有效降低电力系统的运行成本，提高风能的利用率，保障电力系统的安全稳定运行。多变量输入的单步预测是风电功率预测中的一种重要方式，它综合考虑了风速、风向、温度、湿度等多种影响因素，通过对这些变量的分析和处理，实现对未来一个时刻风电功率的预测。

结合这两种网络她优点，能够显著提升模型她预测她能，尤其她在面对复杂、她变她时间序列数据时。通过融合CNN和BikLSTM，本项目在她能上进行了优化，不仅能处理大量她历史数据，还能有效地进行未来趋势预测，广泛应用她金融市场预测、股票价格预测、气象预测等她个领域。优化后她CNN-BikLSTM模型能够在不同时间序列数据集上表她良她，不仅适用她金融数据，也能有效应用她气象、医疗等她个领域她时间序列预测。本项目她核心目标她利用CNN她BikLSTM模型她组合，显著提高时间序列预测她准确她。

理解神经网络中 标量求导和向量求导

* **`e3nn.o3.Linear`**执行等变线性变换，连接相同类型的`Irreps`。 * **`e3nn.nn.Gate`**以等变方式引入非线性，特别是通过使用激活的标量`Irreps`来"门控"（乘以）高阶`Irreps`。

本文系统梳理了贝叶斯统计的核心概念。首先介绍了联合概率和条件概率的定义与关系，指出条件概率蕴含联合概率。接着通过条件概率推导出贝叶斯公式的基本形式，展示概率事件的相互转换关系。然后结合全概率公式，将贝叶斯公式扩展到多事件互斥互补的情况。最后强调要灵活运用联合概率等式进行概率转换，掌握先验、后验概率的相互推导方法。全文清晰呈现了贝叶斯理论的基本框架和计算逻辑。

光学神经网络（Optical Neural Networks, ONNs）是一种利用光学元件（如透镜、激光器、空间光调制器等）实现神经网络计算的新型架构。其核心优势在于高速并行计算和低能耗，尤其在矩阵乘法等线性运算中表现突出。

RBFN是一种局部逼近神经网络，其核心思想是"各人自扫门前雪"——每个隐藏层神经元只负责特定区域的输入数据，通过径向基函数（如高斯函数）实现局部响应。与全局响应的MLP不同，RBFN具有训练速度快、不易陷入局部极小值、可解释性强等优势。其三层架构包括：输入层（数据接收）、隐藏层（局部响应单元）和输出层（线性汇总）。隐藏层计算输入数据到中心点的距离并转换为响应强度，输出层加权求和得到最终结果。这种设计使RBFN在实时控制、模式识别等领域具有独特优势。

本文通过Java函数嵌套类比，揭示了神经网络的核心原理：神经网络本质是多层函数嵌套（线性变换+激活函数），通过反向传播自动优化参数（权重w和偏置b）。文章以PyTorch实战演示了二分类任务的完整流程，包括数据准备、网络定义、反向传播优化和效果评估。关键点在于：1）神经网络通过"自动调参"实现学习能力；2）反向传播通过链式求导自动计算参数梯度；3）调参技巧（学习率设置、防止过拟合等）对模型效果至关重要。这为理解更复杂的Transformer架构奠定了基础。

本章深入深度学习的核心，从模仿生物神经元开始，解构了人工神经网络的基本单元——感知器。详细阐述了网络如何通过层次化结构实现特征的逐层提取，并直观解释了前向传播（预测）与反向传播（学习）的内在机制。最后，使用PyTorch框架实战MNIST手写数字识别，初步体验了“迷你大脑”的威力。

在传统神经网络中，信息以电信号的形式在电子元件之间传输和处理，而在光学神经网络中，信息则以光信号的形式进行传输和处理。高分辨率成像：在通过散射介质的聚焦实验中，FFM学习达到了接近衍射极限的分辨率，平均FWHM为81.2μm，PSNR为8.46dB。光学推理效率：FatNet在光学设备上比ResNet-18更快，且在3136的大批次推理中，光学推理的加速效果显著。光学模拟器：开发了光学模拟器OptConv2d，模拟4f系统的光传播，验证FatNet在光学设备上的性能。

首先，我们要明确深度学习在人工智能领域的定位。简单来说，深度学习就是通过构建多层神经网络，让机器从大量数据中自主学习特征和规律，从而实现对未知数据的预测或分类。比如我们常见的图像识别、自然语言处理等应用，背后都离不开深度学习技术的支持。

动手学深度学习03-线性神经网络

本文介绍了协方差与方差的核心概念及其关系。协方差用于衡量两个随机变量的线性相关性（正相关、负相关或不相关），其计算基于变量偏离均值的乘积期望。方差则是协方差的特例，表示变量与自身的协方差，反映数据离散程度。通过公式推导展示了二者间的联系：当计算变量与自身的协方差时，结果即为方差。文章系统梳理了这些统计量在描述变量关系时的数学本质和实际意义。