首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 768 毫秒

1.  基于PSO神经网络在动态联盟制造伙伴选择中应用  被引次数:2
   李玲  高亮  周驰  陶俐言《机械设计与制造》,2007年第1期
   制造伙伴选择是组建动态联盟的一个关键问题.在对已有制造伙伴选择方法总结和分析的基础上,给出了制造伙伴选择综合评价参考体系,提出了一种基于神经网络的制造伙伴选择模型,采用基于连接结构优化的粒子群优化算法(SPSO)对神经网络进行训练,实验证明,该算法不仅使训练的收敛速度大大提高,且其训练的神经网络的性能也显著增强,为制造伙伴选择问题提供了有效的解决途径.    

2.  基于混合粒子群算法的小波神经网络故障诊断  
   宋玉琴  章卫国《测控技术》,2011年第30卷第1期
   针对复杂的飞控系统传感器故障类型,建立了故障诊断模型,提取了各种故障数据。构建3层小波神经网络,并提出一种改进粒子群算法——混合粒子群算法对小波神经网络进行训练,该算法使用离散粒子群算法优化小波神经网络连接结构,同时使用基本粒子群优化算法优化小波神经网络权值。将这种改进的小波神经网络算法应用于飞控系统传感器故障诊断中。实验结果表明,提出的基于混合粒子算法的小波神经网络能对飞控系统传感器各种故障进行可靠的分类,并能够有效消除冗余连接结构对网络诊断能力的影响。    

3.  基于改进粒子群优化的神经网络及应用  被引次数:2
   王晓霞  王涛  谷根代《华北电力大学学报(自然科学版)》,2009年第36卷第5期
   为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。    

4.  混合粒子群优化算法优化前向神经网络结构和参数*  被引次数:4
   唐贤伦  庄陵  李银国  曹长修《计算机应用研究》,2007年第24卷第12期
   提出了综合利用粒子群优化算法(PSO)和离散粒子群优化算法(D-PSO)同时优化前向神经网络结构和参数的新方法。该算法使用离散粒子群优化算法优化神经网络连接结构,用多维空间中0或1取值的粒子来描述所有可能的神经网络连接,同时使用粒子群优化算法优化神经网络权值。将经过该算法训练的神经网络应用于故障诊断,能够有效消除冗余连接结构对网络诊断能力的影响。仿真试验的结果表明,相比遗传算法等其他算法,该算法能够有效改善神经网络结构和参数的优化效率,提高故障模式识别的准确率。    

5.  改进粒子群算法对BP神经网络的优化  被引次数:3
   沈学利  张红岩  张纪锁《计算机系统应用》,2010年第19卷第2期
   介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。    

6.  基于反馈策略的自适应粒子群优化算法  被引次数:11
   俞欢军  张丽平  陈德钊  胡上序《浙江大学学报(自然科学版 )》,2005年第39卷第9期
   为了克服常规粒子群优化(SPSO)算法在多峰函数寻优应用中容易出现早熟的缺点,提出了一种基于反馈策略的自适应粒子群优化(APSO)算法.考虑到进化过程中群体多样性损失过快,采用种群分布熵和平均粒距两个种群多样性参数,来均衡算法的勘探和开发能力.基于惯性权值随种群多样性变化而变化的动态分析,建立了惯性权值与平均粒距之间的线性函数关系,并将该函数关系融入到APSO算法中.测试结果表明,与常规粒子群优化算法相比,该算法在多峰函数寻优时,成功率和精确度都有显著提高,且全局收敛速度快;在求解异或(XOR)分类问题时成功概率提高,收敛速度加快,APSO算法对神经网络的训练更加有效.    

7.  基于混合的GA-PSO神经网络算法  被引次数:2
   王亚利  王宇平《计算机工程与应用》,2007年第43卷第2期
   粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。    

8.  改进的粒子群动态过程神经网络及其应用  被引次数:6
   于广滨  李瑰贤  金向阳  白彦伟《吉林大学学报(工学版)》,2008年第38卷第5期
   为克服前向过程神经网络收敛速度慢、精度低的问题,本文提出了一种基于改进的粒子群动态过程神经网络(IDPNN)。对于给定的全连接的过程神经网络,通过IPSO优化其连接权值和网络结构删除冗余连接使之成为部分连接的过程神经网络系统,从而降低了计算成本。将经过IPSO训练的动态过程神经网络应用于Iris模式分类问题,结果表明,改进的粒子群动态过程神经网络具有较高的收敛速度和精确性。    

9.  基于粒子群和BP混合优化的采煤机故障诊断分类方法研究  
   赵栓峰《矿山机械》,2011年第5期
   故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。    

10.  基于改进SPSO-BP神经网络的温度传感器湿度补偿  
   行鸿彦  郭敏  张兰《传感技术学报》,2018年第31卷第3期
   针对在实际使用中湿度影响温度传感器准确性的问题,通过对基本粒子群算法的分析,得出不受速度向量影响的简化粒子群算法,同时采用线性递减惯性权重,提出了一种改进SPSO-BP神经网络温度传感器的湿度补偿方法.通过改进的简化粒子群算法的不断迭代,优化BP神经网络的权阈值,直到得到最优权阈值,并赋给BP神经网络.根据湿度影响实验中测得的数据,运用此方法建立湿度补偿模型,与BP神经网络方法对比分析.结果表明,改进SPSO-BP神经网络的模型结构简单、补偿精度高,收敛速度快,有效地对温度传感器进行了湿度补偿.    

11.  基于面向对象自适应粒子群算法的神经网络训练*  被引次数:2
   徐乐华  凌卫新  熊丽琼《计算机应用研究》,2009年第26卷第1期
   针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速度与泛化性能,并结合Iris和Ionosphere分类数据集进行测试。实验结果表明:基于OAPSO算法训练的神经网络在分类准确率上明显优于BP算法及标准PSO算法,极大地提高了网络泛化能力和优化效果,具有快速全局收敛的性能。    

12.  基于PSO神经网络的故障诊断方法研究  被引次数:1
   许磊  张凤鸣  程军《计算机工程与设计》,2007年第28卷第15期
   将粒子群优化算法和BP算法相结合,提出了一种基于粒子群神经网络的故障诊断方法.该方法分阶段实施神经网络的训练,有效地加强了算法的全局搜索能力,采用PSO优化了传播中的权值、阈值以及网络结构.这不仅弥补了BP算法的不足,而且删除了冗余连接,提高了故障模式识别的能力.仿真结果表明该方法加快了神经网络的学习收敛速度,提高了故障模式的识别正确率,可以有效地应用于设备的故障诊断.    

13.  基于MPSO算法的RBF网络学习算法  
   姚柳《煤炭技术》,2010年第29卷第7期
   针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。    

14.  计算机神经网络中粒子群优化算法的应用  
   张小军  任帅《计算机光盘软件与应用》,2014年第8期
   粒子群优化算法是一种基于群智能的随机优化算法,该种算法和遗传算法相比,具有需要用户确定的参数较少,优化算法简单的优点。因此,粒子群优化算法一经提出,就受到了众多领域的广泛关注,目前,该种算法广泛的应用在模糊系统、模式分类、神经网络训练、函数优化以及其他的众多领域中。文章分析了粒子群优化算法的基本原理,探析了粒子群优化算法在计算机神经网络中的应用,并且对粒子群优化算法进行了改进。    

15.  混合粒子群算法优化神经网络的研究  被引次数:1
   田雨波  潘朋朋《微电子学与计算机》,2011年第28卷第6期
   针对BP神经网络初始权阈值的确定所具有的随机性和各个隐含层神经元数的不确定性,通过利用混合粒子群优化算法来同时优化神经网络的初始权阈值和结构.首先通过混合粒子群优化算法来确定一个较好的搜索空间,然后在这个解空间里再通过BP算法对网络进行训练和学习,搜索出最优的网络结构和权阈值.通过Iris模式分类、Wine模式分类问题和广义异或问题来对该模型进行训练和测试,相比遗传算法等其他算法,该模型可以获得更高的正确识别率,结果表明此方法是可行的.    

16.  基于多样性优化策略的粒子群算法  
   朱孝晶  周圆兀  龚熠  蔡雪霁  张向华《广西工学院学报》,2011年第22卷第1期
   针对标准粒子群优化算法(SPSO)存在粒子群多样性丢失而易陷入局部最优的问题,提出了一种改进优化算法(PSOBF),该算法通过引入排斥操作而提高了搜索效率.通过对4个标准测试函数的性能数值实验对比,并比较了PSOBF、SPSO及ARPSO算法结果,证实PSOBF可以较好地实现全局与局部搜索的平衡,表明改进算法是有效的.    

17.  基于粒子群训练的人工神经网络应用于多光谱遥感影像分类研究  
   张中山  燕琴  余洁  闫培洁  白俊武《遥感信息》,2008年第5期
   为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法。该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类。该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点。实验结果证明:基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度。    

18.  基于粒子群训练的人工神经网络应用于多光遥感影像分类研究  被引次数:1
   张中山  燕琴  余洁  闫培洁  白俊武《遥感信息》,2008年第5期
   为了提高多光谱遥感影像的分类精度,提出一种基于粒子群训练的人工神经网络的多光谱遥感影像的分类方法.该方法先建立一个针对多光谱遥感影像的神经网络分类模型,然后引入粒子群算法对神经网络进行网络权值与阈值的优化,再利用训练好的神经网络对多光谱遥感影像进行分类.该方法不仅利用了人工神经网络在解决多光谱遥感影像混合光谱的优势,而且克服了BP神经网络在训练时候收敛速度过慢、振荡的缺点.实验结果证明:基于粒子群训练的人工神经网络方法能够比较好地提高多光谱遥感影像的分类精度.    

19.  基于粒子群与BP混合算法的神经网络学习方法  
   江丽  王爱平《计算机应用》,2012年第32卷第Z2期
   针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。    

20.  粒子群优化神经网络的交通事件检测算法研究  被引次数:1
   向怀坤  李伟龙  谢秉磊《计算机测量与控制》,2016年第24卷第2期
   为减少交通事件引起的交通延误,提出一种基于粒子群优化神经网络的交通事件检测算法;首先,利用车载激光测距仪和GPS设备作为实验平台,采集了反映路段车辆占有率及车辆运行速度特征的交通参数;其次,利用粒子群(PSO)算法训练随机产生的初始化数据,优化BP神经网络连接权值和阈值;最后,将PSO优化后的BP神经网络作为分类器进行交通事件的自动分类和检测;试验中比较了PSO神经网络算法、BP神经网络算法和经典算法对交通事件的检测效果,PSO神经网络算法在事件检测率(DR)、平均检测时间(MTTD)方面均优于其他目标算法;结果显示,粒子群优化的神经网络算法用于交通事件检测提高了检测性能。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号