共查询到19条相似文献,搜索用时 78 毫秒
1.
为了提高网络流量的预测精度,针对网络的时变性和混沌性,提出一种反向学习粒子群优化神经网络的网络流量预测模型(BPSO-RBFNN)。首先将网络流量样本输入到RBF神经网络进行学习,采用引入反向学习机制的粒子群算法优化参数,然后建立网络流量预测模型,最后采用仿真实验对模型性能进行分析。结果表明,BPSO-RBFNN可以描述网络流量的时变性、混沌性变化趋势,网络流量预测精度得以提高,具有较好的实际应用价值。 相似文献
2.
基于PSO-BP神经网络的网络流量预测与研究 总被引:4,自引:0,他引:4
赵振江 《计算机应用与软件》2009,26(1)
传统网络流量预测采用线性方法进行处理,不能很好地满足要求.根据互联网通信量的自相似性,提出一种基于BP网络的粒子群优化PSO-BP算法进行网络流量预测,用PSO算法对BP网络节点的初始权值进行优化,并利用历史记录训练BP网络,采用Matlab进行仿真.试验结果表明,PSO-BP算法加快了BP网络收敛速度,训练结果的均方误差函数mse在5%以内,提高了网络流量预测精度. 相似文献
3.
4.
5.
6.
神经网络基于粒子群优化的学习算法研究 总被引:24,自引:0,他引:24
研究神经网络基于粒子群优化的学习算法,将粒子群优化算法用于神经网络的学习训练,并与遗传算法进行了比较,结果表明,神经网络基于粒子群优化的学习算法简单容易实现,而且能更快地收敛于最优解。 相似文献
7.
蛋白质的生物学功能是由其空间结构决定的,因此,蛋白质结构预测就成为生物信息学领域中极具挑战性的问题之一.粒子群算法是一种新的群智能算法,优势在于简单容易实现,又有深刻的智能背景.在优化领域,粒子群算法适用 于求解连续优化问题,而基于HP格点模型的蛋白质结构预测问题是一个离散问题.因此,文中通过借鉴单点调整算法的思... 相似文献
8.
9.
粒子群优化RBF神经网络的短时交通流量预测 总被引:4,自引:1,他引:4
根据交通流量数据具有非周期性、非线性和随机性等特点,为了更准确地对交通流量进行预测,实现交通智能控制和规划是主要问题.交通流量预测中存在容易陷入局部极小值、收敛速度慢,泛化能力差等问题,影响了交通流量预测的实用性和准确性.提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法.利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对短时交通流量进行仿真预测,仿真结果表明,PSO算法优化的RBF神经网络具有较高的预测精度,比RBF预测模型精度高、收敛快.PSO算法优化的RBF神经网络,适用于短时交通流量预测,预测精度较高,具有推广应用价值. 相似文献
10.
崔乃丹 《自动化技术与应用》2022,41(4):148-150
本次通过基于粒子群优化算法与BP神经网络相结合的方式对高铁客运量进而预测,利用粒子群优化算法对BP神经网络进行优化与训练,通过经过改进的BP神经网络对高铁客运量进行预测.经实验研究发现,本次研究所提出的预测算法比常规BP神经网络模型预测精度更高,在样本数据量较少的情况下有明显的应用优势. 相似文献
11.
12.
13.
14.
15.
16.
黄酮,是桑黄真菌液体发酵的二级产物,具有重要的医药价值,本文提出了一种结合粒子群算法和BP神经网络的混合智能算法,用于优化桑黄液体发酵的实验环境和提高黄酮产量.本文中的算法基于25组桑黄液体发酵的实验数据,训练BP神经网络模型作为黄酮产量的预测模型,实验中与传统响应面方法中的数学回归模型做了比对试验,预测准确度提高了15%.BP神经网络预测模型作为评价函数结合粒子群算法进行实验环境寻优,通过数据模拟实验,获得了桑黄液体发酵的最佳培养条件,桑黄黄酮的产量由之前的约1532.83 μg/mL提高到约1896.4 μg/mL,产量提高了约23.72%. 相似文献
17.
目前BP神经网络是一种有效的预测方法,但在实际应用当中存在着一些自身的缺点,为此提出了一种基于改进粒子群算法的BP神经网络。通过动态调整粒子群算法中的惯性因子ω,有效地增强了算法对非线性问题的处理能力,同时提高了算法的收敛速度和搜索全局最优值的能力。建立改进后的BP网络模型,通过该模型和逐步回归方法对某市降水量进行实例分析。分析结果表明,改进后的BP网络模型具有较高的准备预报能力和稳定性。 相似文献
18.
以提高预测软件老化趋势为应用背景,提出一种新型粒子群退火算法(New Particle Swarm Annealing Algorithm, NPSOSA)优化BP神经网络的权值和阈值,继而构建NPSOSA-BP神经网络预测模型.实验通过搭建软件老化测试平台,收集所需的老化数据并进行仿真训练.实验结果表明, NPSOSA-BP神经网络模型相比于传统粒子群算法(PSO)、传统粒子群退火算法(PSOSA)优化的BP神经网络模型提高了预测精度和适用度,在该应用领域验证了本文方法的有效性. 相似文献