基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测

基于停车场有效停车泊位短时变化特性,提出了一种小波变换和粒子群小波神经网络组合预测方法。首先,通过选择合适的小波函数对有效停车泊位时间序列进行多尺度的小波分解与重构,然后对重构后的时间序列分别采用小波神经网络进行预测,并利用粒子群算法对神经网络初始参数的选取进行优化,最后将各自外推的预测结果进行合成,得到最终预测结果。实例分析表明:与单独使用小波神经网络模型相比,小波变换-粒子群小波神经网络模型的预测精度提高了5~7倍,且预测稳定性较好。     

基于粒子群—小波神经网络的短时交通量预测

针对短时交通量的非线性和时变性,提出一种基于粒子群—小波神经网络的预测方法。该方法以前馈多层感知器的神经网络拓扑结构为基础,将预测误差反向传播,经粒子群优化算法对神经网络连接权值进行修正。隐含层神经元选择Morlet母小波基函数作为激活函数,利用小波分解分离短时交通量的高频部分和低频部分,防止高低频数据之间的过度影响,进一步提高预测的精度。根据最简化结构概念对神经网络结构进行泛化,确定最优网络结构,提高预测的速度。通过实例预测显示,该方法预测精度高,预测速度快,能够满足实际工程的要求。     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于PSO-WNN模型的超短期风速预测及其误差校正

小波神经网络(wavelet neural network,WNN)具有多分辨率局部时频特性,在风速预测中得到了广泛应用,但模型参数的优化选择是一难点,为此提出一种基于PSO(粒子群算法)-WNN的超短期风速预测模型。引入粒子位置变化量与二阶振荡环节改进粒子群算法,以平衡粒子群的全局搜索能力和局部改良能力;采用改进的粒子群算法优化WNN模型参数,进而对风速进行超短期预测;为进一步减小预测误差,分析风速预测的模型误差及其相关因素,并采用一阶线性回归法进行误差校正。算例表明,所提PSO-WNN预测模型及误差校正措施能够有效提高风速预测模型的泛化性能和预测精度。     

区域经济预测的GPCA和优化小波网络组合模型研究

构建全局主成分分析（GPCA）和优化小波神经网络的组合模型,对中国区域经济发展水平进行预测.首先借助GPCA获得区域经济发展水平的全局主成分分值、综合评价值,作为优化小波网络的输入、目标输出;然后构建遗传-粒子群算法优化的小波网络预测模型.通过仿真,得到较满意的结果,表明区域经济水平预测的组合模型是有效和实用的.     

基于粒子群优化算法的小波神经网络

针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将该方法应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

改进粒子群算法优化RBF的交通流预测研究

为了实时准确地预测交通流量,本文采用一种改进的粒子群算法对径向基函数(radical basis function,RBF)神经网络进行优化,RBF神经网络隐层中心向量由最近邻聚类确定,使用适度值择优的原理对离子群算法进行改进,将改进的粒子群算法用于最近邻聚类半径的优化,合理确定了粒子群的隐层结构。同时,运用Matlab仿真软件建立新的RBF模型,并对交通流进行预测和分析。仿真结果表明,粒子群优化RBF的相对平均误差为3.94,改进粒子群优化RBF相对平均误差为2.67,通过误差对比,改进的RBF神经网络算法具有更好的预测效果,在预测速度和精度上均优于粒子群优化RBF神经网络交通流预测算法。该研究应用前景广阔。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于改进粒子群小波神经网络的智能变电站网络流量预测

智能变电站过程层网络流量一旦发生异常,将直接影响继电保护动作的可靠性、快速性和灵敏性,然而目前缺乏针对智能变电站网络流量异常预警的方法.基于此,提出一种基于改进粒子群小波神经网络的网络流量预测模型,为智能变电站网络性能分析预测、网络故障和病毒入侵预警提供决策依据.分析智能变电站网络流量的特点,对流量数据进行归一化处理,建立小波神经网络预测模型,利用粒子群优化算法对传统的小波神经网络模型的网络结构和参数进行优化.在实际智能变电站运行环境中的实验表明,所提模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

基于改进粒子群优化神经网络的房地产市场预测

针对粒子群优化算法精度不高、容易陷入局部最优、难以满足房地产市场形势需求的问题,提出一种改进粒子群优化神经网络,并应用于房地产市场预测中,该算法将混沌引入粒子群优化神经网络算法权重和阈值的初始化与更新的过程,提高了初始样本的质量,减轻了局部极值现象,提高了算法的全局搜索能力,同时设置了躲避因子,使粒子一定程度上离开偏离真实值的区域。研究结果表明,提出的改进算法可以提高粒子群优化神经网络权重和阈值的准确性。     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．     

BP神经网络的IAPSOBPNN组合训练算法

针对BP神经网络易陷入局部极小点、泛化能力低的缺陷,提出了BP神经网络的IAP-SOBPNN(Particle Swarm Optimization with Immunity Algorithm Back Propagation Neural Network)组合训练算法,即免疫算法、粒子群算法和BP算法的组合.将此组合训练算法应用到非线性函数逼近和具有复杂非线性动力学特征的股价预测中,仿真实验表明,该算法避免了网络陷入局部极小点,提高了网络的泛化能力,同时为BP网络参数的确定提供了一条崭新的思路.     

基于人工神经网络说话人识别的身份认证方案

由于CPSO--BP神经网络通过在粒子群优化算法中引入混沌思想,改善了粒子群优化算法摆脱局部极值点的能力,提高了BP网络的计算精度和收敛速度,使得基于BP神经网络的说话人识别其识别率和训练速度都得到较大提高。本文将该识别技术应用到身份认证中,提出了一种新的基于生物特征的身份认证方案,通过对其性能的分析研究,新的方案是安全有效的。     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于PSO算法的RBFNN在织物染色配色中的应用

为了提高计算机配色的效率,提出了一种基于粒子群优化算法（Particle Swarm Optimization algorithm）的RBFNN（radial base function neural network）解决织物染色配色问题的模型。该模型容易实现,没有过多参数需要调整,并且提高了模型的收敛速度和精确度。仿真结果表明,用PSO算法优化的RBF神经网络解决计算机织物染色配色问题是一种较好的方法。     

改进的粒子群优化算法

粒子群优化算法是一种基于群体的自适应搜索优化算法,存在后期收敛慢、搜索精度低、容易陷入局部极小等缺点,为此提出了一种改进的粒子群优化算法,从初始解和搜索精度两个方面进行了改进,提高了算法的计算精度,改善了算法收敛性,很大程度上避免了算法陷入局部极小.对经典函数测试计算,验证了算法的有效性.     

基于粒子群遗传混合算法的配电网无功规划

提出了一种基于粒子群算法(PSO)和遗传算法(GA)相混合的配电网无功规划算法。该算法利用遗传算法收敛效果好和粒子群算法收敛速度快的特点,计算结果表明:该算法是收敛的、有效的。     

一种速度更快的粒子群优化算法

由于标准粒子群算法(SPSO)存在后期搜索效率太低的问题,提出了一种速度更快的粒子群优化算法(FPSO).FPSO保留了SPSO前期的全局搜索能力,但改变了SPSO算法后期的搜索策略,使其迭代次数随当前适应度值的变化而自适应改变,从而提高了SPSO算法后期的计算效率.通过实验对FPSO算法中适应度函数的设计进行了讨论,并分析了FPSO算法的应用前景.仿真结果表明,FPSO算法在单峰、多峰和带约束条件的测试函数中都有良好的效果.     

基于神经网络的VBR视频流量建模及预测

为解决视频流量预测问题,结合神经网络和小波技术建模IP（Internet Protoc01）网络视频流,提出了利用神经网络预测尺度因子的预测算法。对可变比特率的压缩视频流完成小波分解,得出尺度因子。通过对尺度因子的预测和小波重建,完成视频流量预测。尺度因子的归-化特性简化丁神经网络处理过程。对真实VBR（Variable BitRate）视频流的流量预测实验表明,模型对IP网络普遍应用的高压缩比视频流具有良好的预测能力。     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.