基于粒子群优化算法与BP神经网络的高铁客运量预测算法

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.     

基于模糊网络和粒子群优化的油田指标预测

针对油田开发指标预测问题,提出一种模糊神经网络模型,该模型包括输入层、模糊化层、规则层和输出层。模糊化层采用高斯隶属函数,规则层每个节点对应一条模糊逻辑规则。网络可调参数为模糊集参数和输出层权值。提出了基于改进量子粒子群优化的网络训练方法。以油田开发指标中含水率预测为例,结果表明该方法是有效的可行的。     

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。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

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,而且其预报精度也比较高.     

神经网络和改进粒子群算法在地震预测中的应用

提出了一种基于神经网络与改进粒子群算法的地震预测方法,该方法采用前向神经网络作为地震震级的预测模型,引入改进的粒子群算法对前向网络的连接权值进行修正。为了设计在全局搜索和局部搜索之间取得最佳平衡的惯性权重,基于粒子动态变异思想对粒子群优化算法进行改进,提出了一种动态变异粒子群优化算法,并将其应用于地震震级预测神经网络模型优化。在仿真实验中,将所提出的方法与另外两个采用不同算法的前向网络预测方法进行了比较。结果表明所提出的优化算法收敛速度最快,所得模型的预测误差最小,泛化能力最强,对地震的中期预测有很好的参考作用。     

基于模糊神经网络的运动目标智能分配定位算法

为解决特殊应用场景下智能视频监控系统存在的监测范围有限、监控资源分配不合理、运动目标发现不及时等问题,利用雷达探测电磁波穿透能力强、搜索范围大、不受特殊气候及光学条件影响的特点,结合无人机和自动导航小车的灵活性和机动性,提出了一种雷达指引的综合联动视频监控方法,并在此基础上研究了一种基于大地坐标的统一坐标定位体系以及使...     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

神经网络基于粒子群优化的学习算法研究

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。     

基于PSO-ELM算法的民航客运量预测

掌握民航客运量是航空公司在做重大科学决策和实施可行性计划的重要保障。为准确预测中国民航客运量的情况,引入了极限学习机(ELM),搭建民航客运量预测模型。建立了ELM神经网络最优结构,以此为基础,分别用粒子群算法(PSO)、遗传算法(GA)、差分进化算法(DE)对ELM的输入权值和隐含层阈值进行优化,降低了ELM随机生成参数的不稳定性。结果表明,PSO优化算法提高了ELM的拟合能力和泛化能力,预测精度也高于其他模型,为航空运输协调发展提供了可靠的依据。     

基于改进粒子群算法的移动机器人路径规划方法研究

针对移动机器人传统路径规划算法效率不高、寻优能力差等问题,本文提出一种基于改进粒子群优化算法(PSO)的移动机器人路径规划方法。该方法采用神经网络训练碰撞罚函数,得到无碰撞路径,然后采用粒子群优化算法解决路径的最优问题。利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性。仿真结果表明,这种新路径规划方法是可行且有效的。     

基于PSO和BP复合算法的模糊神经网络控制器

为了克服单独应用粒子群算法（PSO）或BP算法训练模糊神经网络控制器参数时存在的缺陷,提出了一种训练模糊神经网络参数的PSO＋BP算法。该算法将二者相结合,即在PSO算法中加入一个BP算子,以充分利用PSO算法的全局寻优能力和BP算法的局部搜索能力,从而更有效地提高其收敛速度、训练效率和提高该模糊神经网络控制器的控制效果。最后的仿真实验结果验证了该基于PSO＋BP复合算法的模糊神经网络控制器的有效性和可行性。     

卷取温度的智能预测控制

首先介绍标准RBF神经网络并指出存在的问题,然后介绍粒子群算法并将其用于确定RBF网络参数(连接权,隐节点中心和宽度),最后把PSO-RBF应用到卷取温度控制(CTC)中,对卷取温度进行预测。仿真结果表明PSO-RBF具有学习速度快、精度高等优点。     

基于NLAPSO．RBF的铁路货运量预测研究

铁路货运量需求预测在国家和区域经济发展规划、运输经营决策中具有重要作用。针对提高预测准确性与收敛速度问题,建立了基于RBF神经网络的预测模型。该模型具有最佳函数逼近性能和全局最优特性,适于预测计算,但有参数确定与优化的难题。提出一种基于非线性学习因子调节的粒子群优化（NLA-PSO）算法应用于RBF神经网络的参数优化,进而提高铁路货运量预测的精度与效率。通过1992--2011年铁路货运量预测的实例验证,将仿真结果与其他算法进行了比对,证明了方法的预测精度与收敛速度均优于其他算法,在铁路货运量预测计算上有效可行。     

基于粒子群优化算法的神经网络在油品质量预测中的应用

粒子群优化算法是基于群体智能的全局优化技术,它通过了粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。其优势在于操作简单,容易实现。文中将粒子群算法和神经网络进行融合,优化神经网络的权值和域值,充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势,并与改进的BP算法进行了比较 。油品质量预测的实例表明,将粒子群算法用于神经网络的优化,收敛速度更快,预测精度更高,而且算法简单。     

综合改进的粒子群神经网络算法

粒子群优化算法是一种解决非线性、不可微和多峰值复杂优化问题的优秀算法,但该算法在进化后期容易出现速度变慢以及早熟的现象;BP神经网络的学习算法是基于梯度下降这一本质的,因此存在着容易陷于局部极小值,收敛速度慢,训练时间长等问题.针对上述现象,对粒子群优化算法进行了增强粒子多样性和避免种群陷入早熟两个方面的改进,并提出了一种基于改进算法的粒子群神经网络算法,最后通过在IRIS数据集上进行的仿真实验验证了改进的有效性.     

基于神经网络预测控制的转炉终点优化控制

基于转炉静态模型控制的终点优化控制,可为后期冶炼提供更精准的入炉主辅料配给信息,进而提高终点碳温的一次倒炉命中率。以神经网络预测控制理论为指导,采用BP网络作为转炉系统的辨识预测模型,并利用改进的粒子群算法(PSO)作为网络预测控制器的最优化算法,对影响转炉终点碳温的入炉主控量——吹氧量和废钢加入量进行寻优,从而实现对终点碳温的优化控制。最后,采用某钢厂的实际生产数据进行验证,结果表明所建立的优化控制模型可有效快捷地实现终点碳温的优化控制。