第３２卷第１期 东北电力大学学报 Ｖｏ１．３２．Ｎｏ．１ ２０１２年２月 Ｊｏｕｒｎａｌ Ｏｆ Ｎｏｒｔｈｅａｓｔ Ｄｉａｎｉｉ Ｕｎｉｖｅｒｓｉｔｙ Ｆｅｂ．．２０１２ 文章编号：１００５—２９９２（２０１２）Ｏ１—００３０—０５ 基于ＥＬＭＡＮ神经网络的短期风速预测 孙 斌 ，姚海涛 ，齐城龙２ （１．东北电力大学能源与动力工程学院，吉林吉林１３２０１２；２．内蒙古大唐国际红牧风电场，内蒙古乌兰察布０１２０００） 摘 要：为了提高风电场风速短期预测的精确性，本文提出了基于Ｅｌｍａｎ神经网络的预测。首先求 出风速时间序列的嵌入维数和延迟时间，进而对混沌风速时间序列进行相空间重构。然后利用Ｅｌｍａｎ 神经网络对相空间重构后的风速时间序列进行预测，预测结果表明基于Ｅｌｍａｎ神经网络的预测效果满 足了精度要求。本文同时运用ＢＰ神经网络进行预测。仿真结果表明，基于ＥＬＭＡＮ神经网络的预测模 型能够较为准确的进行短期风速的预测，具有很高的工程实际应用意义。 关键词：风速时间序列；Ｅｌｍａｎ神经网络；相空间重构；ＢＰ神经网络 中图分类号：Ｏ ３５９．２ 文献标识码：Ａ 能源与环境是当今人类生存和发展所急需解决的问题。常规能源以煤、石油、天然气为主，它不仅 资源有限，而且还造成了严重的大气污染。因此，对可再生能源的利用，尤其是对风能的开发利用，已受 到各个国家的高度重视。随着风能利用的加速发展，越来越多的大型风电场将纳入统调电网，风电在电 网中的比重越来越大，但是由于系统的最大负荷受限于风电场穿透功率极限，所以当负荷超过一定值的 后，就会严重影响电能的质量以及电网运行的安全稳定。而对风速的准确预测可以减少风电场的旋转 设备和运行成本，提高风电穿透功率极限，可以帮助调度部门及时调整计划，从而减轻风能对电网的 冲击 卜 。 目前，风速预测的方法有卡尔曼滤波法＿３］、时间序列法 Ｊ、空间相关性法 等。用神经网络处理时 间序列是一个热点问题。Ｅｌｍａｎ网络是一种典型的动态神经网络，它在前馈人工神经网络基本结构的 基础上，通过存储内部状态使其具有映射动态特征的功能，从而使系统具有适应时变特性的能力。在 Ｅｌｍａｎ网络中的前馈权值通常采用ＢＰ算法调整，而反馈权值设定为常数。因此，为了保证收敛性，在网 络的训练过程中需要反复调整前馈的权值，寻找其最优解。 同时，用混沌动力学处理时间序列是一个热点问题，在很多领域开始得到应用，如信号检测 ｊ、两 相流 ］、环境 ］、交通 等领域。本文尝试用运算速度更快，运算精度更高的Ｅｌｍａｎ神经网络模型同混 沌理论相结合进行预测，同时与ＢＰ神经网络的预测结果做了比较，预测结果表明Ｅｌｍａｎ神经网络模型 在短期风速时间序列的预测中取得了较好的预测结果。 １ Ｅｌｍａｎ神经网络原理 Ｅｌｍａｎ型回归神经元网络一般分为４层：输入层，中间层（隐含层），承接层和输出层，见图１。其输 收稿日期：２０１１—１１—１４ 作者简介：孙斌（１９７２一），男，吉林省永吉市人，东北电力大学能源与动力工程学院教授，博士，主要研究方向：多相流参数检测及 其应用． 第１期 孙斌等：基于ＥＬＭＡＮ神经网络的短期风速预测 ３１ 入层，隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用。隐含层单元的传递函 数可采用线性或非线性函数。承接层又称上下文层或状态层，它用来记忆隐含单元前一时刻的输出值， 可以认为是一个一步延时算子。其特点是隐含层的输出通过承接层的延时与存储，自联到隐含层的输 入，这种自联方式使其对历史状态的数据具有敏感 性，内部反馈网络的加入增加了网络本 处理动态输入层 信息的能力，从而达到了动态建模的目的＿１１一０－一１２ ７。埋￣ｒＭ 论证明，具有三层计算单元的神经网络可以实现任 意复杂的映射。因此一般情况下，只采用含有一个隐含层 承接层 隐层的网络。基于以上思想，本文亦采用只含有一 个输入层，一个隐含层，一个承接层和一个输出层的 Ｅｌｍａｎ网络。 输出层 Ｅｌｍａｎ神经网络的非线性状态空间表达式为 ，Ｙ（ｋ）＝ｇ（ （ｋ））， ｛【 （ ｋ）＝ Ｗ （ｋ）＋Ｗ ｕ（ｋ一１））， （１） 图１ Ｅｌｍａｎ神经网络模型 （ｃ） ＝ （ 一１）， 式中：ｋ为神经网络训练的次数；－ｙ为凡维输出向量； 为隐层神经元输出向量； 为输入向量； 为反馈状 态向量； ，、 ：、Ｗ。分别表示隐层到输出层、输入层到隐层、承接层到隐层的连接权值矩阵；ｇ（·）为输出 神经元的传递函数，是中间层输出的线性组合； ·）为隐层神经元的传递函数。Ｅｌｍａｎ神经网络采用 ＢＰ算法进行权值修正，学习指标函数采用误差平方和函数 。 ： Ｅ（∞）＝∑［ｋ＝ｌ （ ）一 （ ）］ ， （２） 其中：Ｙ （Ｗ）为目标输出向量。 在Ｅｌｍａｎ神经网络中，输入信号决定反馈系统的初始状态，系统经过一系列状态转移后，逐渐收敛 于平衡状态，即网络的输出结果。可见，稳定性是Ｅｌｍａｎ神经网络最重要的特点之一＿１ 。因此只要适 当地设计其连接权和输入就可找到系统稳定点，且收敛速度较快。这是在模式识别中Ｅｌｍａｎ神经网络优 于ＢＰ网络之处。 相空间重构 提出相空间重构的最初目的在于把混沌吸引子在高维相空间中恢复过来。混沌吸引子作为混沌系 统特征之一，它体现着混沌系统的规律性，也就是混沌系统最终会进入一个特定的轨迹之中，这种特定 的轨迹也就是吸引子。一般情况下时间序列的相空间维数很高，但是维数我们往往不知道。因此为了把 时间序列的信息充分显示出来，我们通常将其扩展到三维或是更高的空间去，这就是时间序列的相空间 重构。 Ｔａｋｅｎ定理¨ ” ：若 是ｄ维流形， ： —Ｍ， 是一个光滑的微分同胚，Ｙ： —Ｒ，Ｙ有二维连续导 数， （ ，Ｙ）： —Ｒ 。其中：咖（ ，Ｙ）＝［ｙ（ｘ），ｙ（ （ ）），…ｙ（ “ （ ）］。 根据Ｇ—Ｐ算法：对于时间序列 （１），ｘ（２），… （ｔ），… （Ｎ），当嵌入维数为ｍ和延迟时间为 时， 重构相空为 ｌ，（ｔ）＝｛ （ｔ）， （ｔ＋丁），… ［ｔ＋（ｍ一１）］．『｝ｔ＝ｌ，２，…． （３） 综上可知，在时间序列相空间重构中，延迟时间 和嵌入维数ｍ的选取具有重要意义。其确定方法 ３２ 东北电力大学学报 第３２卷 有很多，本文运用自相关法和假近邻法分别求出风速时间序列的延迟时间和嵌入维数。 ３风速预测结果分析 ∞ 舳 ∞ ∞如加ｍ Ｏ 本文以东北某风电场２０１０年ｌ２月份的实测风速时间数列作为实验样本，每小时作为一个采样点， 选取其中连续的５００ ｈ的风速数据作为实验数据见图２。 其中前３５０个风速数据作为训练样本，后１５０个 风速数据作为训练样本用于检验预测结果的真实 性。对于数据在传输和记录过程中可能出现的错 误，在预测之前对数据进行了预处理，然后再对风速 时间序列进行相空间重构。 ≥ 在进行相空间重构之前对实验数据进行归一化 处理，以减小奇异样本而导致的训练时间的增加。 然后求出嵌入维数和延迟时间分别对实验数据相空 间重构以获得重构后的分析数据。 籁 霉 运用自相关法和假近邻法分别求出延迟时间和 图２原始风速时间序列 。 瞄 。 嵌入维数。嵌人维数的判定方法：随着嵌入增加虚假近邻数不断的减少，当虚假近邻数随嵌入维数的增 加接近为０或不再变化的时候，相应的嵌入维数就是所求值。由图３可知最小嵌入维数ｍ＝４。图４描 述了风速时间序列的自相关函数曲线图，当自相关曲线下降到初始值的１—１／ｅ时，所对应的延迟时间 即为相空间重构的最佳延迟时间。由此确定的最佳延迟时间 ＝８。然后根据公式（３）对训练数据和预 测数据分别进行相空间重构。 － ＿ ｔ ＋ ＋ ＋ 。 杂 毋 制 —一 ． ０ ｌ０ ２Ｏ ３０ ４０ ５０ ６０ ７０ ８０ ９０ １００ 延迟时间／ 图３ 屏【速时间序列的嵌入维数 图５为二维风速时间序列时间序列相图，可以 从风速时间序列的相图可以看出其轨迹反复折叠和 相互交叉形成在左下角形成了一个稠密带，所以判 定风速时间序列吸引子的存在，从而推断出风速时 间序列具有混沌性。 首先运用训练数据对Ｅｌｍａｎ神经网络进行训 练，然后用训练好的Ｅｌｍａｎ神经网络模型对风速时 间序列进行预测见图６（测试数据与预测数据均已归 一化），同时与ＢＰ神经网络预测进行了比较。ＢＰ神 图５风速时问序列相图 ｊ １Ｊ １Ｊ １ｉ第１期 孙斌等：基于ＥＬＭＡＮ神经网络的短期风速预测 ３３ 经网络预测结果见图７（测试数据与预测数据均已归一化）。Ｅｌｍａｎ神经网络、ＢＰ神经网络对风速时间 序列预测的均方根和预测所用时间见表１。Ｅｌｍａｎ神经网络、ＢＰ神经网络对风速时间序列预测的预测 时间分别是６ ｓ、９ Ｓｏ模拟结果表明，Ｅｌｍａｎ神经网络模型同ＢＰ神经网络模型相比，有预测速度快，预测 ， 精度高的优点。 ｔ／ｈ ｔ／ｈ 图６ Ｅｌｍａｎ神经网络模型风速预测 图７ ＢＰ神经网络模型风速预测 表１ 归一化后的方均根比较 ４ 结 论 本文研究了风速时间序列的混沌特性，对风速 时间序列进行了相空间重构，运用Ｅｌｍａｎ神经网络模型对重构后的风速时间序列进行预测，将混沌理论 引入风速预测中取得了很好的预测效果。与传统的ＢＰ神经网络相比，具有学习速度快、预测精度高等 优点。因此，Ｅｌｍａｎ神经网络模型在风速时间序列的预测上更加有效。 参考文献 袁铁江，晁勤，李义岩，等．基于风电极限穿透功率的经济调度优化模型研究［Ｊ］．电力系统保护与控制，２０１１，３９（１）：１５—２２ 魏晓霞．我国风电发展存在的问题和应对措施［Ｊ］．电力技术经济，２００９，２１（６）：２３—２６． Ｂｏｓｓａｎｙｉ Ｅ Ａ．Ｓｈｏｒｔ·ｔｅｒｍ ｗｉｎｄ ｐｒｅｄｉｃｔｉｏｎ ｕｓｉｎｇ Ｋａｌｍａｎ ｆｉｌｔｅｒｓ［Ｊ］．Ｗｉｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，１９８５，９（１）：１—８． Ｋａｍａｌ Ｌ，Ｊａｆｒｉ Ｙ Ｚ．Ｔｉｍｅ ｓｅｒｉｅｓ ｍｏｄｅｌｓ ｔｏ ｓｉｍｕｌａｔｅ ａｎｄ ｆｏｒｅｃａｓｔ ｈｏｕｒｌｙ ａｖｅｒａｇｅｄ ｗｉｎｄ ｓｐｅｅｄ ｉｎ Ｗｕｅｔｔａ，Ｐａｋｉｓｔａｎ［Ｊ］．Ｓｏｌａｒ Ｅｎｅｒｇｙ，１９９７，６１ （１）：２３—３２． Ａｌｅｘｉａｄｉｓ Ｍ Ｃ，Ｄｏｋｏｐｏｕｌｏｓ Ｐ Ｓ，Ｓａｈｓａｍａｎｏｇｌｏｕ Ｈ Ｓ．Ｗｉｎｄ—Ｓｐｅｅｄ ａｎｄ Ｐｏｗｅｒ Ｆｏｒｅｃａｓｔｉｎｇ ｂａｓｅｄ ｏｎ Ｓｐａｔｉａｌ Ｃｏｒｒｅｌａｔｉｏｎ Ｍｏｄｅｌｓ［ｃ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｅｎｅｒｙ Ｃｏｎｖｅｒｇｓｉｏｎ，１９９９，１４（３）：８３６—８４２． 陈伟根，张嵩，杜林，等基于互相关与混沌检测相结合的光声信号检测方法［Ｊ］．电力自动化设备，２００８，２８（３）：２２—２８． 周云龙，李洪伟，宋均琪，等．垂直上升管中油一气一水三相流动态图像灰度波动信号的混沌特性分析［Ｊ］．石油学报（石油加工）， ２００９，２５（４）：６００—６０６． Ａｊｉｔ Ｋｕｍａｒ Ｇａｕｔａｍ，Ａ．Ｂ．Ｃｈｅｌｎｉ，Ｖ．Ｋ．Ｊａｉａｎ．Ａ ｎｅｗ ｓｃｈｅｍｅ ｔｏ ｐｒｅｄｉｃｔ ｃｈａｏｔｉｃ ｔｉｍｅ ｓｅｒｉｅｓ ｏｆ ａｉｒ ｐｏｌｌｕｔａｎｔ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｕｓｉｎｇ ａｒｔｉｉｆｃｉａｌ ｎｅｕ． ｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｎｅａｒｅｓｔ ｎｅｉｇｈｂｏｒ ｓｅａｒｃｈｉｎｇ［Ｊ］．Ａｔｍｏｓｐｈｅｒｉｃ Ｅｎｖｉｒｏｎｍｅｎｔ，２００８，１３（１１），４４０９—４４１７． Ｘｉ—Ｙｕｅ，Ｌｉ—Ｓｈｅｎｇ Ｙｉｎ，ｅｔ ａ１．Ｐｒｉｄｉｃｔｉｏｎ ｆｏｒ Ｃｈｏｔｉｃ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｂａｓｅｄ ｏｎ Ｄｉｓｃｒｅｔｅ Ｖｏｌｔｅｒｒａ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ．［Ｊ］．Ｌｅｃｔ Ｎｏｔｅｓ Ｃｏｍｐｕｔｅｒ ＳＣ， ２００６，２７（９）：７５９—７６４． ［１０］ Ｃｈｅｎｇ Ｙ Ｃ，Ｑｉ Ｗ Ｍ，Ｃａｉ Ｗ Ｙ．Ｄｙｎａｍｉｃ ｐｒｏｐｅｒｔｉｅｓ ｏｆ Ｅｌｍａｎ ａｎｄ ｍｏｄｉｉｆｅｄ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｃ］．２００２ Ｉｎｔｅｍａｔｉｏ＿ｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａ． ｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，２００２（２）：６３７—６４０． 李锡杰，师硕，王旭．基于Ｅｌｍａｎ神经网络的肌电信号分类［Ｊ］．人工智能，２００６，２２（８）：３０５—３０６． Ｐｈａｍ Ｄ Ｔ，Ｌｉｕ Ｘ．Ｔｒａｉｎｉｎｇ ｏｆ Ｅｌｍａｎ ｎｅｔｗｏｒｋｓ ａｎｄ ｄｙｎａｍｏｉｅ ｓｙｓｔｅｍ ｍｏｄｅｌｉｎｇ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓｙｓｔｅｍｓ Ｓｃｉｅｎｃｅ，１９９６，２７（２）： ２２ｌ２—２２６１． ＬｉＸｉａｎｇ，ＣｈｅｎＧｕａｎｒｏｎｇ，Ｃｈｅｎ Ｚｅｎｇｑｉａｎ ｅｔ ａ１．ＣｈａｏｔｉｆｙｉｎｇｌｉｎｅａｒＥｌｍａｎ ｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ Ｔｒｎｓａａｃｔｉｏｎｓ ｏｎ ＮｅｕｒｌＮｅｔａｗｏｒｋｓ２００２，１３（５）： １１９３—１１９９． Ｃｈｅｎｇ Ｙ Ｌ，Ｈｕａｎｇ Ｊ Ｃ，ＹａｎｇＷ Ｃ．Ｍｏｄｅｌｉｎｇ ｗｏｒｄ ｐｅｒｃｅｐｔｉｏｎ ｕｓｉｎｇ ｔｈｅ Ｅｌｍａｎ ｎｅｔｗｏｒｋ［Ｊ］．Ｎｅｕｒｏｅｏｍｐｕｔｉｎｇ，２００８，７１（１６／１７／１８）：３１５０一 ３４ 东北电力大学学报 第３２卷 ３１５７． ［１５］Ｇａｏ Ｘ Ｚ．Ｇａｏ Ｘ Ｍ．Ｏｖａｓｋａ Ｓ Ｊ．Ｔｒａｊｅｃｔｏｒｙ ｃｏｎｔｒｏｌ ｂａｓｅｄ ｏｎ ａ ｍｏｄｉｆｉｅｄ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｃ］．Ｏｒｌａｎｄｏ Ｆｌｏｒｉｄａ，ＵＳＡ：ＩＥＥＥ Ｉｎｔｅｍａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＳＭＣ，１９９７．１９９５，６（５）：１２１２—１２２８． ［１６］吕金虎，陆军安，陈士华．混沌时间序列分析及应用［Ｍ］．武汉：武汉大学出版社．２００２． ［１７］陈敏，李泽军，，黎昂．基于混沌理论的城市用电量预测研究［Ｊ］．电力系统保护与控制，２００９，３７（１６）：４１－４５． Ｔｈｅ Ｗｉｎｄ Ｓｐｅｅｄ Ｓｈｏｒｔ·ｔｅｒｍ Ｆｏｒｅｃａｓｔ Ａｎａｌｙｓｉｓ Ｂａｓｅｄ ｏｎ ｔｈｅ Ｅｌｍａｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｐｒｅｄｉｃｔ Ｍｏｄｅｌ ＳＵＮ Ｂｉｎ ，ＹＡＯ Ｈａｉ—ｔａｏ ，ＱＩ Ｃｈｅｎｇ－ｌｏｎｇ２ （１．Ｅｎｅｒｇｙ Ｒｅｓｏｕｒｃｅ ａｎｄ Ｐｏｗｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｌｌｅｇｅ，Ｎｏｒｔｈｅａｓｔ Ｄｉａｎｌｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｊｉｌｉｎ Ｊｉｌｉｎ １３２０１２；２．Ｔｈｅ Ｈｏｎｇｍｕ Ｗｉｎｄ Ｆａｒｍ ｏｆ Ｄａｔａｎｇ Ｉｎｔｅｒｎａｔｉｏｎａｌ，Ｕｌａｎｑａｂ Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ ０１２０００） Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｓｈｏｒｔ—ｔｅｒｍ ｗｉｎｄ ｓｐｅｅｄ ｆｏｒｅｃａｓｔ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅ１．Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｔｈｅ ｐｈａｓｅ ｓｐａｃｅ ｏｆ ｔｈｅ ｃｈａｏｔｉｃ ｗｉｎｄ ｓｐｅｅｄ ｔｉｍｅ ｓｅｒｉｅｓ ｂｙ ｃａｌｃｕｌａｔｉｎｇ ｔｈｅ ｅｍｂｅｄｄｉｎｇ ｄｉｍｅｎｓｉｏｎ ａｎｄ ｔｈｅ ｄｅｌａｙ ｔｉｍｅ ｏｆ ｈｔｅ ｗｉｎｄ ｓｐｅｅｄ ｔｉｍｅ ｓｅｒｉｅｓ．Ｔｈｅｎ ｔｈｅ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｃａｎ ｂｅ ｕｓｅｄ ｔｏ ｆｏｒｅｃａｓｔ ｔｈｅ ｗｉｎｄ ｓｐｅｅｄ．Ｔｈｅ ｒｅｓｕｈｓ ｓｈｏｗ ｔｈｅ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｃａｎ ｍｅｅｔ ｔｈｅ ａｃｃｕｒａ－ ｃｙ ｒｅｑｕｉｒｅｍｅｎｔｓ．Ａｔ ｔｈｅ ｓａｍｅ ｔｉｍｅ，ｔｈｉｓ ｔｈｅｓｉｓ ｗｉｌｌ ｕｓｅ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｔｏ ｆｏｒｅｃａｓｔ ｔｈｅ ｗｉｎｄ ｓｐｅｅｄ ｔｉｍｅ ｓｅｒｉｅｓ．Ｔｈｅ ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｈｔｅ Ｅｌｍａｎ ｎｅｕｒｌａ ｎｅｔｗｏｒｋ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｃａｎ ｂｅ ａ ｇｏｏｄ ｓｈｏｒｔ－ｔｅｒｍ ｗｉｎｄ ｓｐｅｅｄ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅ１．Ｓｏ ｉｔ ｃａｎ ｂｅ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｅｎｇｉｎｅｅｒｉｎｇ ｐｒａｃｔｉｃｅ． Ｋｅｙ ｗｏｒｄｓ：Ｗｉｎｄ ｓｐｅｅｄ ｔｉｍｅ ｓｅｒｉｅｓ；Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；Ｐｈａｓｅ ｓｐａｃｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ