为了保证模型的稳定性,大多数学者采用多源参数特征提取的方法,通过相关性较大的几个参数来预测目标值｡多源参数特征提取方面的模型,主要可分为3种经典模型,分别是深度神经网络模型（deep neural networks, DNN）、自动编码器(autoencoder, AE)和受限玻尔兹曼机(restricted boltzmann machines, RBM)｡深度神经网络是从人工神经网络(artificial neural networks, ANN)发展上来的,它比人工神经网络有更多的隐藏层数,很多学者是以深度神经网络为基础,以优化模型参数权重为目标,采用麻雀搜索算法( sparrow search algorithm, SSA)[27] ､粒子群算法(particle swarm optimization, PSO)[28]､遗传算法( genetic algorithm ,GA)[29]等优化算法对深度神经网络模型参数寻优,提高预测精度｡其中SSA⁃DNN模型成功应用于风电机组齿轮箱相关参数的预测,PSO⁃DNN模型成功应用于风电机组主轴承相关参数的预测,GA⁃DNN模型成功应用于风电机组变桨系统相关参数的预测｡消除这段话所有的格式和括号，然后给我发回来

为了保证模型的稳定性,大多数学者采用多源参数特征提取的方法,通过相关性较大的几个参数来预测目标值。多源参数特征提取方面的模型,主要可分为3种经典模型,分别是深度神经网络模型、自动编码器和受限玻尔兹曼机。深度神经网络是从人工神经网络发展上来的,它比人工神经网络有更多的隐藏层数,很多学者是以深度神经网络为基础,以优化模型参数权重为目标,采用麻雀搜索算法、粒子群算法、遗传算法等优化算法对深度神经网络模型参数寻优,提高预测精度。其中SSA-DNN模型成功应用于风电机组齿轮箱相关参数的预测,PSO-DNN模型成功应用于风电机组主轴承相关参数的预测,GA-DNN模型成功应用于风电机组变桨系统相关参数的预测。