基于量子自适应粒子群优化径向基函数神经网络的网络流量预测

该文提出一种量子自适应粒子群优化算法,该算法中,粒子位置的编码采用量子比特实现,利用粒子飞行轨迹信息动态更新量子比特的状态,并引入量子非门实现变异操作以避免陷入局部最优。用该算法训练神经网络,实现了径向基函数(RBF)神经网络参数优化,建立了基于量子自适应粒子群优化RBF神经网络算法的网络流量预测模型。对真实网络流量的预测结果表明,该方法的收敛速度和预测精度均要优于传统RBF神经网络法、粒子群-RBF 神经网络法、混合粒子群-RBF 神经网络法和自适应粒子群-RBF 神经网络法,并且预测效果不易受时间尺度变化的影响。     

基于VMPSO-RBF神经网络的话务量预测

为了更快速、准确地预测话务量,提出了速度变异的粒子群算法（VMPSO）,并与RBF算法相结合,形成速度变异的粒子群—RBF（VMPSO-RBF）神经网络算法,并且来训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与RBF神经网络方法和PSO-RBF神经网络方法相比较,该文提出的方法预测精度更高,收敛速...     

基于PSO-RBF神经网络的海战场电磁态势预测

针对海战场电磁态势的预测问题,提出一种基于改进粒子群(PSO)优化径向基函数(RBF)神经网络的海战场电磁态势预测方法。该方法使用自适应惯性权重、模拟退火法和遗传算法对常规的粒子群算法进行改进,提高算法的搜寻精度和速度,并采用改进粒子群算法优化RBF神经网络参数,提高网络的学习效率和预测精度。最后,对海战场电磁态势值之间的非线性映射关系进行仿真预测。实验结果表明,该方法可以有效地提高海战场电磁态势的预测精度,具有较好的适用性。     

神经网络在高校图书馆图书借阅流量预测中的应用

由于高校图书馆图书借阅流量具有一定的非线性特性,传统的回归分析、灰色模型等方法难以处理这种非线性时间序列问题,影响了预测精度。为了提高预测精确度,提出粒子群优化RBF神经网络的图书借阅流量预测模型。该方法以图书馆图书借阅流量历史数据进行RBF神经网络建模,采用粒子群算法对RBF神经网络参数进行优化,最后建立了图书借阅流量动态响应模型。预测结果表明该模型预测结果合理,精度较高,为图书馆提高工作效率和服务质量提供了参考依据。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

自适应变系数PSO-RBF算法及其在预测工程的应用

RBF神经网络对于非线性预测具有较好的效果,但是其存在容易陷入局部最小值以及收敛速度慢等缺点,研究一种自适应变系数PSO算法对RBF神经网络的初始参数进行优化,之后由RBF神经网络对粒子群算法优化后的网络参数进行精细优化,从而提高神经网络的稳定性以及收敛效率和精度等。自适应变系数PSO算法主要是将自适应递减和递增因子以及自适应调节惯性权重算子策略引入到常规的PSO算法中,从而改进算法在搜索空间中的遍历性,提高寻找全局最优解的概率,提高收敛精度和效率。最后,以炼钢过程中的煤气消耗量与钢铁产量的非线性关系作为预测实例进行研究,使用结果表明,研究的基于自适应变系数PSO-RBF神经网络的预测模型具有很好的预测能力,能够在预测工程中发挥较大的作用。     

粒子群RBF神经网络电力电子电路故障诊断

为检测和诊断电力电子电路中的故障,获得更高的诊断精确度,提出粒子群算法优化RBF神经网络的故障诊断方法.与基本RBF神经网络相比,粒子群RBF神经网络可以提高系统的收敛速度和精度.把通过特征提取获得的电力电子电路故障特征量作为神经网络的输入,利用训练好的粒子群优化后的RBF神经网络进行故障诊断.仿真结果表明,实际输出与期望输出基本吻合,具有良好的分类效果,能够提高诊断精确度,对于电力电子电路的故障诊断是一种有效的方法.     

基于粒子群优化的公交车道路拥塞预测算法研究

本文结合城市公交流量预测的实际需求,基于粒子群优化算法对传统神经网络算法进行了优化。仿真结果说明：用优化之后的神经网络算法对公交车拥塞进行预测,能够取得较为满意的效果。     

基于SAPSO算法优化Elman神经网络的话务量预测

文章提出一种模拟退火(SA)与粒子群优化(PSO)算法相结合的算法来优化Elman神经网络权值和阈值。当PSO处于停滞状态时,利用粒子群优化算法的全局寻优性质,以及SA能跳出局部最优解的特性,在搜索到的最优位置处用模拟退火算法继续寻找最优解,并对具有动态递归性能的Elman神经网络进行学习训练,这样就能对忙时话务量进行预测。结果表明,与传统Elman神经网络和PSO-Elman神经网络相比,基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。     

基于MQPSO—LQPSO的RBF神经网络训练方法

带有局部搜索的量子粒子群算法是一种较为成功的改进型量子粒子群算法。将该算法用于RBF神经网络的结构优化和参数优化,在确定网络参数的同时也确定了网络的结构。在函数逼近上的仿真实验表明,这种优化是有效的。     

退役锂动力电池SOC预测建模与分析

随着锂动力电池退役周期的到来,电池梯次应用具有现实意义。为了解决梯次再利用时退役电池放电非线性变化剧烈引起的电池荷电状态(State of Charge,SOC)预测精度不高问题,提出了一种基于量子粒子群(QPSO)优化RBF神经网络预测退役电池SOC的动态模型,相比经典的粒子群(PSO)优化算法具有更好的稳定性。实验结果表明:该预测模型的误差稳定在1%以内,响应速度快,为锂电池充分利用奠定了理论基础。     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

激光修锐砂轮工艺参量的预测和优化算法

为了找到一种适用于激光修锐砂轮工艺参量预测和优化的方法,采用神经网络和粒子群算法,建立了激光修锐砂轮工艺参量优化模型。首先构建了工艺参量与工件表面粗糙度之间映射关系的神经网络模型,然后基于预测模型采用粒子群算法实现工艺参量优化,最后采用粒子群算法优化获取的5组工艺参量进行了激光修锐试验。结果表明,样本值与神经网络仿真输出值的相对误差小于3%,试验值与期望值的相对误差控制在6%以内。综合说明该优化模型具备良好的优化能力。     

一种新型的神经网络预测控制方法

预测控制算法的核心是预测过程中的滚动优化,滚动优化方法选择是确定其是否实用的关键,针对这一特点,在此提出了一种以径向基函数（RBF）神经网络为多步预测模型的非线性预测控制算法。算法采用RBF神经网络建立系统预测模型,并以微粒群优化（PSO）算法作为滚动优化算法,用来实现在有限时域内对控制序列的寻优,提高了优化过程的收敛性和求解精度。仿真结果表明了算法的有效性和高效性,获得了良好的控制效果。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于改进粒子群优化算法nMOSFET寿命预测

对于电子器件寿命预测问题,文章提出了基于改进粒子群优化算法的BP神经网络电子器件寿命预测方法。首先对nMOSFET元件在不同应力条件下进行寿命试验,根据试验测试获得的寿命数据,得出对应的可靠性。文章通过结合改进粒子群优化算法和BP神经网络结合,建立电子器件寿命预测模型,应用该模型对相同应力条件的电子器件寿命进行预测,同时对应力加速条件下寿命的预测。通过试验证明,该算法具有更强的非线性拟合能力和更高的准确率。     

基于级联神经网络的SiC MOSFET结温预测模型

对结温进行精准预测和提取仍然是SiC MOSFET器件应用中需要攻克的技术难题，对此，结合粒子群优化-反向传播(PSO-BP)神经网络预测精度高以及径向基函数(RBF)神经网络函数逼近能力强等优点，提出了一种基于PSO-BP与RBF级联神经网络的SiC MOSFET结温预测模型。模型将SiC MOSFET的漏极电流和通态电压作为PSO-BP神经网络的输入，再将PSO-BP神经网络的结温预测值以及插值法得到的温度插值作为RBF神经网络的输入。基于LTspice仿真获取的数据集验证了模型对SiC MOSFET结温预测的有效性。结果表明，该模型对SiC MOSFET结温预测的绝对误差在0.005℃以内，均方根误差和平均绝对误差分别低至0.0082和0.0015,相比单一的BP、PSO-BP以及RBF神经网络模型，其预测精度得到了大大提高。该级联神经网络模型可实现对SiC MOSFET结温(> 75℃)的精准预测。     

基于PSO-BP神经网络的DOA估计方法

提出利用粒子群算法优化BP神经网络来改善来波到达角估计性能的方法。传统的BP神经网络 易 陷入局部最优,因此采用粒子群算法对网络的权值和阈值进行优化,并将其应用到来波到达 角估计中。所提方法仅利用阵列协方差矩阵的第一行作为来波方位特征,与常用的 协方差矩阵 上三角特征相比,在不损失有效方位信息的基础上使特征维数极大降低。仿真实验 证明：同经典的RBF神经网络方法相比,基于所提方法的神经网络结构更简洁,泛化性能更 好,来波方位估计精度更高。     

基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电.针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法( QPSO)优化神经网络权值,并运用模糊理论进行修正.某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,...