基于PSO-BP神经网络的股市预测模型

为解决股市短期预测中BP神经网络法对初始权值敏感、易陷入局部极小值和收敛速度慢等问题,基于全局随机优化思想的粒子群优化(PSO)算法,对BP神经网络的初始权值进行了优化,建立了PSO-BP神经网络股市预测模型.并通过实例分析与传统BP神经网络预测法进行对比,结果表明该方法收敛速度明显提高,有效降低了训练误差,避免了陷入局部极小值,达到了较高的预测精度,在股市短期预测中具一定的实用价值.     

基于IPSO的模糊神经网络优化及交通流量预测

在基于模糊神经网络的交通流量预测中,神经网络的各节点参数优化是最关键的。采用粒子群算法优化模糊神经网络的参数。针对粒子群算法易于陷入局部最优的缺点,提出一种改进的粒子群优化算法,并将改进的算法用于路口交通流量预测。仿真结果表明,该算法的收敛速度和预测精度优于传统粒子群算法、BP算法,提高了交通流量预测的精度和速度。     

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

基于遗传算法的BP 神经网络在城市用水量预测中的应

城市用水量的准确预测对供水系统的调度、改进具有重要意义。为解决传统BP神经网络预测模型易陷入局部极小、调整权值和参数需要不断尝试等问题,选用基于生物进化理论的遗传算法(Genetic Algorithms,GA)对其优化,提出了以GA优化BP网络的算法(GA-BP)。同时,针对以往BP神经网络预测模型因输入变量选取不当导致的误差精度过低的缺点,通过分析城市时用水量变化规律,得到合适的输入变量。最后,建立预测模型并使用历史数据进行训练和仿真。将预测模型应用于深圳市某供水公司,结果表明,该网络模型在城市时用水量预测中具有可靠性和适用性。     

基于粒子群与BP混合算法的神经网络学习方法

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。     

基于粒子群的电力系统短期负荷预测

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、合理的供电。针对负荷预测方法的多样性,在传统的BP网络用于负荷预测的基础上,提出粒子群PSO(Particle Swarm Optimizer)优化神经网络权值的算法,并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也明显地得到提高。     

基于粒子群的电力系统短期负荷预测

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、合理的供电。针对负荷预测方法的多样性。在传统的BP网络用于负荷预测的基础上，提出粒子群PSO（Particle　Swarm　Optimizer）优化神经网络权值的算法。并应用到电力系统短期负荷预测中。仿真结果表明PSO优化算法训练的神经网络不仅收敛速度明显加快，而且其预报精度也明显地得到提高。     

油井作业中传感器误差补偿方法的研究

为了提高油井作业中压力传感器的测量精度,提出了一种基于粒子群优化BP神经网络的误差补偿方法.利用粒子群算法的全局寻优和收敛速度快的特点,训练网络的权值,能有效地改善BP神经网络传统算法的收敛速度和学习能力.结果表明:这种方法大大提高了压力传感器在油井作业中的测量精度和稳定性,也提高了油田作业的工作效率.     

MCPSO优化BP-NN在日用水量预测中的应用

论文使用MCPSO(多群合作粒子群算法)的全局随机优化能力修正了传统BP神经网络的收敛速度过慢,容易出现局部最小值的缺点,并结合长沙第八水厂的供水量数据,使用优化后的BP网络进行日用水量的预测,结果表明优化后的BP算法在减少迭代次数和预测准确性方面都有非常大的提升.     

基于改进BP神经网络的中央空调冷负荷预测研究

针对中央空调系统冷负荷预测中BP神经网络预测收敛慢,易陷入局部最优,精度相对低的缺点,采用了收敛速度快,全部搜索能力强的粒子群优化算法进行改进,同时对BP结构中的输入参数,添加控制误差反馈参数,形成了基于粒子群与控制误差回馈的BP神经网络预测技术;其预测精度较BP神经网络和粒子群BP神经网络分别提高5.94%和0.82%。     

基于粒子群优化RBF神经网络原油含水率预测

原油含水率预测对于确定油井水、油层位以及估计原油产量有着非常重要意义。BP神经网络是最近常用的原油含水率预测方法,然而,由于BP神经网络存在容易陷入局部极小值、收敛速度慢等问题,影响了其预测的实用性和准确性,对此,提出基于粒子群优化RBF神经网络(PSO-RBFNN)的原油含水率预测方法,粒子群优化算法用于RBF神经网络参数优化。在分析原油含水率预测的影响因素基础上,建立粒子群优化RBF神经网络的原油含水率预测模型。实验结果表明,在原油含水率预测中,基于粒子群优化RBF神经网络比BP神经网络有着更高的预测精度。     

多自适应策略粒子群优化算法及应用

为了平衡粒子群优化算法的全局和局部搜索能力,提出了一种多自适应策略粒子群优化算法。该算法在粒子进化过程中,采用了基于粒子进化度和局部开启混沌搜索相结合的速度自适应调节策略。将算法应用于模拟电路故障诊断的BP神经网络训练中,有效地解决了常规BP算法收敛速度慢、易陷入局部极小的问题。仿真结果表明算法具有较快的收敛速度和较高的诊断精度。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

基于改进SPSO-BP神经网络的温度传感器湿度补偿

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.     

基于深度学习的步态识别算法优化研究

基于深度学习的神经网络,对步态识别算法进行了优化研究。利用粒子群优化BP神经网络阈值、权值,在神经网络中代入优化后的初始值进行训练,避免陷入局部最优。通过Vicon MX系统对角度特征值进行采集,利用基于粒子群优化BP神经网络进行识别,验证其识别步态的可行性;筛选出传感器系统特征值,在对其优化改进时选取粒子群优化BP神经网络。与传统神经网络法、粒子群优化法相比,基于粒子群优化BP神经网络法的识别方式,识别时间短且识别率高。     

基于BP神经网络的医学图像分割新方法

对于医学图像而言,其分割结果的准确性对医生诊断病情并给出正确的治疗方案至关重要。应用传统的BP神经网络对医学图像进行分割,存在对初始权重值敏感、学习速率固定、收敛速度慢和易陷入局部极小值等问题。因此,提出了一种基于改进的粒子群优化算法的BP 神经网络的医学图像分割方法。首先,应用粒子群优化算法与BP神经网络的映射关系,通过粒子群强大的搜索功能找到最佳适应函数,使对应的BP神经网络的均方误差达到最小值,克服了BP 神经网络产生多个局部最小值的可能;其次,确定粒子的最佳位置后,在BP神经网络学习中获得最合理的权值和偏置值,以提高网络的收敛速度;最后,BP神经网络经反复训练后,获得最佳输出值,并计算阈值,通过阈值来分割图像区域。实验结果表明,利用改进的算法能够得到更清晰的图像分割效果,提高了图像的分割精度,对临床的诊断也具有重要参考意义。     

改进的粒子群算法优化神经网络及应用

针对神经网络权值选取不精确的问题,提出改进的粒子群优化算法结合BP神经网络动态选取权值的方法。在改进的粒子群优化算法中,采用动态惯性权重,并且认知参数与社会参数相互制约。同时,改进的粒子群优化算法结合差分进化算法使粒子拥有变异与交叉操作,保持粒子的多样性。基于改进的粒子群优化算法与BP神经网络,构建IPSONN神经网络模型并运用于酒类品质的预测。实验分别从训练精度、正确率及粒子多样性三方面验证了IPSONN模型的有效性。     

钢包炉配料PSO-BP-PID 控制研究

针对钢包精炼炉( Ladle Ｒefining Furnace) 又称LF 炉,配料加料过程的惯性、时滞、非线性等控制特性,设计了一种基于微粒群优化算法( Particle Swarm Optimization,PSO) 、误差反向传播( Back Propagation,BP) 神经网络以及比例－ 积分－ 微分( PID) 的复合控制算法PSO-BP-PID,并将该复合算法应用于150 t 钢包精炼炉配料称重控制系统中,实现配料称重过程的智能控制。PSO-BP-PID 算法利用微粒群优化算法的全局寻优特性,优化BP 神经网络的初始权值以提高神经网络的收敛性; 采用经微粒群算法优化后的BP 神经网络在线实时调整PID参数。通过基于PSO 和BP 网络的PID 控制器实时控制钢包精炼沪的配料过程。仿真实验和运行实验结果表明,PSO-BP-PID 算法的控制效果优于单一PID 算法的控制效果。采用PSO-BPPID算法的钢包炉配料系统后,明显提高了配料精度,有效地解决了配料称重过程中速度与精度的矛盾。     

基于二阶粒子群优化的支持向量机回归在炉龄预测中的应用

针对钢铁企业对炉龄预测精度要求高的特点,提出了基于二阶粒子群优化的支持向量机的炉龄预测方法。利用粒子群智能算法优化支持向量机的回归参数,可以避免按经验选取输入参数的盲目性,能有效地提高预测速度和精度。实例仿真结果表明用该方法对炉龄预测具有很高的精确度,远优于BP神经网络的预测结果。     

竞争算法优化BP神经网络性能研究

针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点，提出一种参数设置少，全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较，30次试验下竞争算法的平均值与最小值均优于粒子群算法，验证了该算法的有效性.用竞争算法优化BP神经网络，并对11个测试数据集进行分类，实验结果表明，用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法，且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率，增强鲁棒性.