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 234 毫秒

1.  基于改进的扩散平滑和RBM的高光谱图像分类  
   欧阳宁  高鑫  袁华《电视技术》,2016年第40卷第10期
   为了改善传统分类方法在高光谱遥感图像去噪和特征提取方面的不足,提出了一种基于改进的扩散平滑算法和RBM的方法.该方法使用自适应扩散系数,对相应的区域进行不同程度的扩散平滑,实现了对高光谱遥感图像的快速去噪;然后利用多层限制玻尔兹曼机构建DBN网络,实现对高光谱遥感图像的分类.实验表明,与传统的分类方法和DBN相比,该方法在高光谱图像地物分类精度上有所改善.    

2.  基于PSO-RNN的光伏发电功率预测研究  
   王倩  ;张智晟  ;王帅  ;曹东亮《青岛大学学报(工程技术版)》,2014年第4期
   针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型.采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试.仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性.该研究为光伏发电功率预测提供了理论参考.    

3.  基于密度自适应粒子群优化的图像可用度分类  
   吴兴华  郑红《计算机仿真》,2010年第27卷第9期
   研究图像优化评估方法,针对卫星遥感图像可用度模糊神经网络分类器学习过程中存在的学习速度慢且容易陷入局部极小值的问题,为提高评估的准确率,提出了一种密度自适应粒子群优化(Density Adaptive PSO,DAPSO)算法.通过信息熵建立粒子群密度评估测度并更新粒子群的粒子数量,以保持种群的多样性,有利于提高算法全局寻优能力.利用120幅中巴资源02B卫星(CBERS-02B)高分辨率相机(HR)采集的遥感图像,比较BP算法,标准粒子群优化算法以及密度自适应粒子群优化算法的模糊神经网络可用度分类器识别结果,表明新的算法收敛速度更快,有更强的全局寻优能力,并为应用提供依据.    

4.  基于灰关联分析方法  被引次数:1
   贺晓春《微计算机信息》,2011年第1期
   针对一致关联度算法不具有普遍性和动态改变惯性权的自适应粒子群算法(DCW)不易跳出局部收敛能力的缺陷,本文提出了完全关联度算法和自适应变异的动态粒子群优化算法。完全关联度算法主要用来选择软测量的辅助变量。在改进的粒子群优化算法中,除了采用动态惯性权重外,还引入了自适应学习因子和新的变异算子。为了构造一种性能较好的神经网络,采用改进的粒子群优化算法来优化神经网络所有的权值参数,并将提出的软测量建模方法预测延迟焦化的汽油干点,实验结果表明,与DCW算法优化神经网络(DCWNN)的建模方法相比,该算法不仅具有较好的泛化性能,而且具有较高的精度和良好的应用前景。    

5.  自适应变异粒子群算法优化BP神经网络在音乐分类中的应用  
   彭建喜  喻晓《微型机与应用》,2012年第31卷第1期
   自适应变异粒子群算法具备了基本粒子群算法和遗传算法优点,用此算法寻找BP网络较好的网络权值和阈值,使得BP网络的全局误差最小化,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且模型的精度高。仿真实验结果表明,本算法与传统的分类方法相比,具有更高的正确率.验证了自适应变异粒子群算法优化BP神经网络是一种有效的分类方法。    

6.  用Kohonen 神经网络对高光谱分辨率图像进行无监督分类的研究  被引次数:5
   郭一平《红外与毫米波学报》,1994年第13卷第6期
   讨论了将Kohonen自组织神经网络用于成像光谱仪高光谱分辨率遥感图像无监督分类的结果。用于研究的是0.46-0.76um15个波段的高光谱分辨率的原始航空遥感图像. 该图像复盖了澳大利亚达尔文市周围约200km^2的试验区,包括了海湾、岛屿、海滩、河流、城市与旷野等各种地物类型。神经网络分类的结果提供了试验区内地物分布符合实际的预测和 估计,它与传统的分类方法的结果相比较,用神经网络所得到的结果更准确可信。    

7.  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。    

8.  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.    

9.  基于粒子群的不完备决策表属性约简PSOIDTAR法  
   曾正良  罗可  王莹《计算机工程与应用》,2008年第44卷第14期
   属性约简是粗糙集理论的一个核心部分。由于经典的粗糙集模型对不完备信息系统不适应,通过把属性约简问题归结为0-1组合优化问题,提出了一种应用二进制粒子群算法来求解属性约简的方法。通过引入近似分类精度和近似分类质量,为获得最小约简确定了有效合理的粒子适应度函数。仿真实验结果表明该算法能得到最小相对约简,且具有较高的运算效率。    

10.  基于改进离散PSO算法的DSR协议  
   张品  孙岩《计算机工程》,2011年第37卷第17期
   提出一种基于改进离散粒子群优化算法的DSR协议——P-DSR。引入智能代理作为粒子,将求解Ad hoc网络的最优路由问题等效为0-1组合优化问题,将链路稳定因子作为粒子群优化算法的适应值函数。仿真结果表明,与传统DSR协议相比,P-DSR协议具有较低的端到端时延及较高的数据包投递率。    

11.  基于模糊神经网络的方剂功效约简算法  被引次数:1
   乔少杰  唐常杰  韩楠《四川大学学报(工程科学版)》,2008年第40卷第2期
   为了解决中药方剂的功效约简问题,将模糊神经元和径向基函数引入神经网络,提出了基于模糊神经网络的方剂功效约简算法PERA(Prescription Effect Reduction Algorithm),设计了方剂功效约简模糊神经网络EFNN(Effect Fuzzy Neural Network).通过大量实验表明,与传统的基于神经网络和粗糙集的属性约简算法相比,PERA算法功效约简的准确率较高,一般在90%以上,功效约简的完整率优势明显,平均高出约40%,系统运行时间明显小于传统神经网络.    

12.  基于模糊神经网络的方剂功效约简算法  
   乔少杰 唐常杰 韩楠 彭京 李川 邱江涛 蒋永光《四川联合大学学报》,2008年第40卷第2期
   为了解决中药方剂的功效约简问题,将模糊神经元和径向基函数引入神经网络,提出了基于模糊神经网络的方剂功效约简算法PERA(Prescription Effect Reduction Mgorithm),设计了方剂功效约简模糊神经网络EFNN(Effect Fuzzy Neural Network)。通过大量实验表明,与传统的基于神经网络和粗糙集的属性约简算法相比,PERA算法功效约简的准确率较高,一般在90%以上,功效约简的完整率优势明显,平均高出约40%,系统运行时间明显小于传统神经网络。    

13.  一种用于高光谱遥感影像分类的改进多类支持向量机  
   于宁锋  杨化超《遥感信息》,2007年第5期
   将支持向量机(SVM)用于高光谱遥感影像分类的研究,采用决策边界特征提取(DBFE)算法对高光谱影像进行维数约简,以径向基函数(RBF)作为SVM模型的核函数,把混沌优化搜索技术引入到PSO算法中,以基本PSO算法为主体流程,对种群中最好的粒子进行给定步数的混沌优化搜索,以改进基本PSO算法进化后期收敛速度慢、易陷入局部极小值的缺陷。利用改进的混合粒子群优化算法(PSO)来实现SVM模型参数的自动选择,继而构建了一种参数最优的粒子群优化支持向量机(PSO-SVM)多类分类模型。选用220波段的AVIRIS高光谱遥感影像进行了分类试验。结果表明,与采用基于留一法(LOO)网格搜索策略的传统SVM相比,改进后的PSO-SVM算法可以提高分类精度约8.8%。该方法对于小样本、非均衡条件下的遥感影像数据分类非常有效。    

14.  TM和SAR遥感图象特征层融合分类方法的研究  
   于秀兰 钱国蕙《高技术通讯》,1999年第9卷第6期
   针对空间遥感TM图象和SAR图象信息的特征层融合应用于地物分类,提出了一种结合Markov随机场和BP神经网络模型的多源遥感图象迭代分类方法。该分类方法与现有的基于Markov模型的分类器相比具有无须假设条件概率密度函数模型的优点;与BP神经网络分类器相比,由于其考虑了类别标号的空间相关性,提高了分类精度;有别于传统的上下文分类器:它是通过迭代过程中来实现分类的,在考虑了类别标号的空间相关性的同时    

15.  基于模式聚合和广义粒子群的网页文本属性约简  
   童亚拉  刘磊《计算机工程与设计》,2009年第30卷第15期
   将模式聚合和自适应广义粒子群算法相结合,提出了一种文本属性约简新方法.设计交叉操作模拟粒子飞行速度的变化,变异操作保持种群的多样性,同时引入自适应策略动态调整变异概率,以求最优特征子集.在用自适应广义粒子群算法约简前,先用模式聚合理论对原始特征空间约简,得到中间特征子集,然后再用自适应广义粒子群算法继续约简,充分发挥两者的优势.实验结果表明,此算法能有效降低文本维数,提高分类精度.    

16.  基于改进粒子群算法的小波神经网络分类器  被引次数:5
   张伟  师奕兵  周龙甫  卢涛《仪器仪表学报》,2010年第31卷第10期
   针对传统BP-WNN和基本PSO-WNN算法收敛速度慢和泛化性能低的缺陷,在应用李雅普诺夫理论分析得到单个粒子稳定收敛的参数取值条件基础上,提出一种粒子群改进算法,并利用该算法来训练小波神经网络权值,以此构建一种高效的粒子群小波神经网络分类器.通过Iris标准分类数据集进行测试,结果表明所提出的改进算法与BP-WNN,PSO-WNN等经典算法相比,网络更易于全局收敛,迭代次数少、函数逼近误差小、分类精度高.将该分类器应用于非线性辨识和固井质量评价中,均取得了不错的效果,表明该分类器泛化能力强,具有良好的使用价值和应用前景.    

17.  一种改进的自适应粒子群优化算法  
   戴彩霞《广西轻工业》,2009年第25卷第5期
   针对粒子群优化算法搜索精度不高的问题,基于自适应调整惯性权重的策略引入自适应惯性因子对粒子群优化算法进行改进,提出了一种改进的自适应粒子群算法。仿真结果表明改进的粒子群算法具有更强的寻优能力及更高的搜索精度。    

18.  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  
   郭通  兰巨龙  李玉峰  江逸茗《电子与信息学报》,2013年第9期
   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。    

19.  基于SA-PSO优化自适应PNN网络的变压器故障诊断研究  
   《计算机测量与控制》,2014年第4期
   概率神经网络中反映整个样本空间的平滑因子σ常以经验取值,缺乏足够的理论依据;对此提出一种自适应概率神经网络变压器故障诊断模型,针对作为自适应概率神经网络的激励函数的高斯函数,采用基于模拟退火思想的改进粒子群算法(SA-PSO)优化其平滑因子σ,从而提高概率神经网络诊断的识别率;通过搜集到92组故障数据进行仿真分析,其结果表明引入模拟退火过程后,粒子群算法的局部搜索能力得到了改善,并且使得SA-PSO算法优化下的自适应概率神经网络相对于单一PSO算法在变压器故障的诊断准确率上得到了较大程度的提高,从而保证变压器的安全可靠运行。    

20.  基于粒子群混合算法的风力发电机齿轮箱故障诊断  
   程加堂  段志梅  艾莉《可再生能源》,2012年第30卷第3期
   针对传统方法在风力发电机齿轮箱故障诊断中存在精度不高的问题,引入了一种改进粒子群算法优化神经网络的方法。该算法的惯性权重可进行自适应调整,以平衡全局和局部搜索能力。同时,收缩因子可加快算法的收敛速度,以更快收敛到全局最优。仿真结果表明,该方法能较好地识别故障模式,具有一定的实用性。    

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