改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于可变基函数和GentleAdaBoost的小波神经网络研究

针对传统小波神经网络(wavelet neural network, WNN)受隐含层节点数影响大、网络误差易陷入局部极小、预测结果不稳定的问题,提出使用GentleAdaBoost和小波神经网络相结合的方法,提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、小波基函数构造出不同类型的小波神经网络弱预测器序列并对样本数据进行反复训练;最后使用GentleAdaBoost算法将得到的多个小波神经网络弱预测器组成新的强预测器并进行回归预测。对UCI数据库中数据集进行仿真实验,结果表明,本方法比传统小波神经网络预测平均误差减少40％以上,有效地提高了神经网络预测精度,为小波神经网络应用提供借鉴。     

基于差分进化算法优化BP神经网络的镍镉电池寿命预测

镍镉电池组作为移动电源对于现代军民用品是必不可少的.为了能够有效的提高镍镉电池寿命的预测精准度,在建立BP神经网络的电池寿命预测模型的基础上,运用差分进化算法(DE)优化BP神经网络连接的初始权值与阈值.预测结果表明:该改进的预测模型有较高的预测精度,误差控制在5%以内,有效地提高了BP神经网络的收敛速度,符合现实中镍镉电池实际运行的特性,对提高电池寿命评估的时效性和精确性具有重要的意义.     

基于代数多项式模型的用电量预测研究

针对电网布局与建设等要求,需要根据地区提供的历史数据对该地区未来的用电量进行比较合理的预测。为此,构建基于递推最小二乘法算法的多项式预测模型,并提出基于代数多项式神经网络预测方法。该方法以多项式拟合模型构建神经网络拓扑结构,以模型参数作为神经网络权值,以往年每个季度的用电量数据作为参考值,使用递推最小二乘法对神经网络权值进行训练以获得多项式模型参数。仿真结果表明,该方法不仅具有良好的拟合效果,而且也具有良好的预测功能,在电力系统用电量预测中具有较大的应用价值。     

基于动态基函数的强回归小波神经网络

针对小波神经网络(wavelet neural network,WNN)难以选取合适小波基函数和确定隐含层节点数等问题,提出使用集成学习改进小波神经网络的方法,提高小波神经网络容错能力和自学习能力.本方法首先通过降维、归一化预处理样本数据并确定测试数据分布权值;然后通过随机选取不同的小波基函数构造出异构小波神经网络序列并反复训练样本数据;最后使用AdaBoost算法集成学习生成强回归小波预测器.对UCI数据库中数据集进行仿真验证,实验结果表明:本方法比传统小波神经网络预测平均误差减少30%以上,有效地提高了小波神经网络的预测精度和泛化能力.     

基于GA-PB神经网络的山区公路桥梁造价预测模型 ——以简支T型梁桥为例

对山区公路桥梁的工程特征进行分析,利用直觉模糊分析法筛选出对山区公路桥梁造价影响较大的4个工程特征,并将其作为模型的输入量,构建了基于模糊逻辑和GA-BP神经网络的山区公路桥梁造价预测模型.用MATLAB神经网络工具箱进行程序设计,并选取36组已完工程数据对模型进行训练、测试、验证,验证表明该模型预测精度满足要求.将GA-BP神经网络模型与BP神经网络模型的结果进行对比,表明GA-BP神经网络模型收敛速度更快、精确度更高、稳定性更好,进一步验证了基于模糊逻辑和GA-BP神经网络的山区公路桥梁造价预测模型的可行性和有效性.     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

基于粒子群优化BP神经网络的医患关系风险预警模型

为了提高医患关系风险预警的准确度,提出一种基于粒子群优化反向传播(back propagation,BP)神经网络的医患关系风险预警模型.首先采用通过粒子群算法优化BP神经网络初始权值和阈值的方法来提高BP神经网络的预测准确度;通过对模型优化前后的对比分析,得出优化后模型预测误差更小的实验结果.仿真结果表明:此方法建立的医患关系风险预警模型收敛速度更快,预测精度更高.     

幂激励前向神经网络改进下的瓦斯涌出量预测

结合SPSS软件的最大方差旋转的因子分析法,设计出依据较少数据进行扩充丰富的随机调和算法,改进了双输入幂激励前向神经网络.该算法有效地解决了幂激励前向神经网络在采样数据较少情况下预测精度偏低的问题,改进的双输入幂激励前向神经网络需要利用权值直接确定法和最优结构法确定最优结构,然后利用随机调和算法在有限采样数据下生成大量训练数据,随之确定最终网络的最优权值,最后在给定次数的循环下确定验证数据的预测值.数值仿真结果表明该算法具有较高的预测精度.     

基于神经网络的山东省机动车保有量预测

分析了预测机动车保有量时的若干影响因素,针对少量影响因素可提高BP神经网络训练速度的特点,提出利用主成分分析法通过SPSS软件来缩减影响因素数量。并根据这些筛选出来的因素,建立神经网络并对其训练达到预定误差后对机动车保有量进行预测。最后通过山东省实例,将BP神经网络预测的数据与趋势外推法预测的数据进行对比,得出BP神经网络法运算速度较快、误差较小的结论。     

粒子群优化人工免疫粒子滤波器

为解决粒子滤波算法中存在的粒子退化和样本枯竭问题,提出一种新的粒子滤波算法.利用粒子群优化思想促使采样粒子向高似然区域移动,减缓粒子权值的退化;再通过人工免疫算法中的变异操作扩大算法寻找最优值的范围并增加粒子的多样性,避免算法陷入局部最优,增强算法的全局搜索能力,进而缓解样本枯竭.实验表明,该算法比标准粒子滤波的状态估计精度提高近40倍,比扩展卡尔曼粒子滤波提高近28倍,比无迹卡尔曼粒子滤波提高近6倍,滤波效率为37.523％,是标准粒子滤波的37倍,该算法具有更好的实时性和更高的状态估计精度,能有效缓解粒子的退化和样本的枯竭.     

移动荷载下基于RBF神经网络的地基土参数识别

研究了移动荷载作用下径向基神经网络在地基土的参数识别中的应用。针对径向基神经网络的不足，采用压缩映射递阶遗传算法来确定网络参数（连接权、隐节点中心和宽度），改进算法的收敛性。基于频率响应，采用主元分析方法，有效减少了网络的输入节点。结果表明该方法是可行的。     

一种新的MIMO-OFDM自适应信道估计算法

基于经典的多输入多输出 正交频分复用(MIMO－OFDM)系统离散傅里叶变换(DFT)信道估计方案,提出了一种新的自适应信道参数估计算法,该算法能在一个OFDM导频符号内准确地估计出信道冲激响应、多径时延和噪声方差. 首先通过DFT信道估计得到初步估计值;然后提出了联合估计算法估计出各个接收天线上的噪声方差和多径时延,利用多径时延估计值提取信道初步估计中多径点上的信息,有效去除非多径采样点上的噪声. 仿真和分析表明,相比传统固定多径数目的估计算法,该算法能自适应地跟踪信道噪声能量和多径时延的变化,提高信道估计的精度.     

基于超限学习机的WSNs链路质量评估方法

提出基于超限学习机的链路质量评估方法.选择非对称性指标、信噪比变异系数、均值信噪比为链路质量参数,以包接收率为链路质量评价指标,划分链路质量等级;采用粒子群算法优化超限学习机的输入层权重和偏置参数,构建链路质量评估模型.不同场景下的实验结果表明,与支持向量分类机评估方法相比,所提方法具有更高的评估准确率.     

基于权值平滑的改良FastSLAM算法

针对FastSLAM算法中频繁重采样会导致粒子快速坍塌,从而破化路标估计的多样性并最终影响估计结果的问题,提出一种基于权值平滑的改良算法.该方法采用平滑方式计算粒子权值,不仅考虑机器人当前的运动和观测结果,并且综合一定长度滑动窗口内的历史权值信息,可抑制由噪声和归一化等因素引起的权值过度波动,以及由此引发的频繁重采样和估计性能降低.蒙特卡罗仿真结果表明,选取合适的滑动窗口大小,改良算法能有效减少重采样次数,保持粒子多样性,显著提高估计精度.     

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题,提出了一种新的将BP算法和GS算法相结合的杂交学习算法,其中GS算法对隐层到输出层的权值和阈值进行学习,BP算法用于输入层到隐层权值的学习,并给出一种最佳的隐层节点数的选取方法．仿真实验表明,该杂交学习算法具有学习速度快且能获得全局最优解的特点,并可有效地对学习过程中出现的病态情况进行求解,具有良好的普适性。     

基于加权平滑l_0范数的单快拍波达方向估计

针对现有基于压缩感知的DOA估计算法估计精度不高的问题,提出一种基于加权平滑l0范数的单快拍DOA估计算法。所提算法采用一种新的加权方式,在构造一个恰当的平滑连续函数后,根据接收数据的初始解确定一个合适的递减的{σ}序列[σ_1,σ_2,?,σ_J],并对每一个σ值,用最速下降法来求解l0范数的逼近函数H_σ(S)的最小值;然后将该σ值作为下一次迭代的初始值,并在每次迭代开始时更新权值,通过多次的迭代获得逼近函数的最小解,即逼近的最小l0范数。通过仿真实验表明所提算法可对DOA进行有效估计,且容易实现、精度较高,与未加权的改进平滑l_0范数DOA估计方法相比具有更好的估计性能。     

不误工工件加工时间之和最小的最优解

误工排序问题是经典排序论中最基本的问题之一。1968年Moore提出解决这个问题的算法,可以在时间O（nlogn）内得到最优解。误工问题推广到以下情况：或者某些工件必须不误工;或者工件的加工时间与工件的权有反向一致性;或者工件的加工时间与工件的权具有反向一致性,并且某些工件必须不误工等等。对于这些误工问题及其推广问题提出了多项式时间算法,证明了算法的最优性,并且证明了算法得到的最优解是所有最优解中不误工工件加工时间之和是最小的。     

一种输入饱和受限系统的自适应逆控制

大部分执行器输入都是受约束的,若直接将控制信号输入被控对象,往往造成控制质量变坏,甚至导致控制失败.提出了一种约束自适应逆控制方法,当输入幅值受到饱和约束时,将饱和器与被控对象看作新的对象进行逆建模,并通过构造Lyapunov函数,得出新的控制器权值更新公式,且保证控制系统的稳定性,从而使饱和的影响降到最小.水箱温控系统的仿真实例表明了算法的有效性及对输入噪声的鲁棒性.     

一种输入饱和受限系统的自适应逆控制

大部分执行器输入都是受约束的，若直接将控制信号输入被控对象，往往造成控制质量变坏，甚至导致控制失败．提出了一种约束自适应逆控制方法，当输入幅值受到饱和约束时，将饱和器与被控对象看作新的对象进行逆建模，并通过构造Lyapunov函数，得出新的控制器权值更新公式，且保证控制系统的稳定性，从而使饱和的影响降到最小．水箱温控系统的仿真实例表明了算法的有效性及对输入噪声的鲁棒性．