共查询到10条相似文献,搜索用时 15 毫秒
1.
针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。 相似文献
2.
3.
4.
综采工作面生产指标预测的改进型BP神经网络 总被引:8,自引:1,他引:7
应用几种改进BP算法,提高了BP神经网络的收敛速度与稳定性,详细描述了神经网络预测产量及工效的求解机理与具体实施步骤,重点研究了网络学习前后的数据处理工作、网络结构的确定方法以及网络合理的学习步数。 相似文献
5.
6.
7.
《煤炭工程》2021,53(10)
为了解决局部通风机根据下一刻风量需求提前进行风速调整的问题,提出一种改进遗传算法优化的Elman神经网络算法IGA-Elman(Improved genetic algorithm-Elman)对需风量进行预测。改进的算法是对遗传算法的选择算子策略进行改进,通过复制优良个体及按比例选取较优的方法,使得种群平均适应度得到改善,提高了算子的选优能力。利用IGA-Elman神经网络和传统的GA-Elman神经网络对局部通风机需风量的预测相比较,IGA-Elman网络能够提高预测性,并且具有收敛速度快的优点,实现了局部通风机需风量的准确预测,对煤矿安全生产具有重要的实际意义。 相似文献
8.
针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。 相似文献
9.