基于遗传算法优化投影寻踪技术的神经网络集成模型及其应用

首先利用遗传算法优化的投影寻踪技术对神经网络学习矩阵降维,再利用Bagging技术和不同的神经网络学习算法生成集成个体,并再次用遗传算法进化的投影寻踪技术对神经网络个体集成.建立基于遗传算法优化的投影寻踪技术神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.     

基于粒子群算法的神经网络短期降水预报建模研究

用多样性粒子群算法优化神经网络的网络结构和连接权，获得神经网络集成个体；进一步用二次规划方法，计算各集成个体的最优非负权系数进行组合集成，生成神经网络集成的输出结论，进行短期降水预报建模研究．以广西全区的月降水量实例分析，结果表明该方法能有效提高系统的泛化能力．     

最小一乘回归神经网络集成方法股市建模研究

提出了一种新的神经网络集成股市建模方法,采用偏最小二乘方法构造神经网络输入矩阵,利用Bagging技术和不同的神经网络学习算法生成集成个体,再用遗传算法选择参与集成的个体,以"误差绝对值和最小"为最优准,建立最小一乘回归神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.     

遗传-粒子群的投影寻踪模型

以前的投影寻踪研究都是采用遗传算法来寻找最优的投影方向,但遗传算法对初始种群的选择有一定的依赖性,收敛速度较慢,而且得到的也未必是最优解。粒子群算法是一种模拟鸟群飞行觅食的行为,通过个体之间的协作来寻找最优解的进化计算技术。根据遗传算法和粒子群算法的优缺点,将两者有效地结合在一起,提出了遗传-粒子群的投影寻踪模型。该方法能有效地解决投影寻踪模型中投影方向的寻优问题,并将该方法应用于文本分类,在Reuters-21578文档集上分别采用KNN和朴素贝叶斯方法进行实验,结果表明此方法能有效提取投影方向,取得了满意的分类效果,也提高了算法收敛到最优解的能力。     

基于混沌PSO算法的选择性神经网络集成方法

提出基于十进制粒子群优化算法（DePSO）和二进制PSO算法（BiPSO）的选择性神经网络集成(NNE)方法,通过PSO算法合理选择组成神经网络集成的各个神经网络,使个体间保持较大的差异度,减小"多维共线性"和样本噪声的影响。为有效保证PSO算法的粒子多样性,在迭代过程中加入混沌变异。试验表明,混沌PSO算法是组合优化权值的有效方法,同已有方法比较可以有效提高神经网络集成的泛化能力。     

一种基于混合PSO的投影寻踪动态聚类模型

针对粒子群算法容易陷入局部最优解,将遗传算法的交叉和变异引入到粒子群算法中。根据不同的收敛情况及交叉和变异的特点使用两种算子,提出一种既能预防陷入局部最优解又能跳出局部最优解的混合粒子群算法,将该算法应用到投影寻踪动态聚类模型中来优化投影方向,得到近似最好的投影寻踪动态聚类模型。实验证明,相对于原始粒子群算法,该方法可以有效地避免陷入局部最优解,而且投影效果也更好。     

量子粒子群在投影寻踪聚类中的应用

提出基于量子粒子群的投影寻踪聚类算法,该算法将量子粒子群的全局搜索能力与投影寻踪对高维数据的降维能力相结合,有效解决了高维数据聚类计算量大效率低的问题。并将该算法应用于三种不同的测试数据,仿真实验结果表明该算法具有更好的效率,且提高了聚类效果,是解决高维聚类问题的一种有效方法。     

在癌症分类中基于PPS抽样的集成神经网络算法

针对样本重组的有效性和合理性问题,将PPS抽样技术引入样本重构,提出了基于PPS抽样的集成神经网络算法,以提高个体神经网络的准确性与差异度,并实现动态选择个体神经网络的神经网络集成新方法.最后在结肠癌数据集上进行实验,实验结果表明,该方法与采用多个互相合作互相竞争的个体神经网络集成方法相当,但计算量更小,所用运算时间更少,效率更高.     

基于混合算法的降水集成预报研究

为进一步提高降水预报的准确性,针对预报产品的多样性及其预报结果的差异性,综合粒子群算法和遗传算法的优点,将基于粒子群算法和遗传算法的混合算法应用于降水集成预报。利用天津市气象局提供的实际测量数据,通过对各模式降水预报数据的筛选处理,结合基于粒子群算法和遗传算法的混合算法集成模型,实现了多种预报模式降水数据的集成处理,并与传统方法集成及单一粒子群算法和单一遗传算法集成进行了对比研究。实验表明,混合算法的集成结果优于传统集成方法及单一粒子群算法和单一遗传算法集成,并好于任意一个模式成员。     

一类0/1优化问题融合神经网络的粒子群算法

将局部寻优能力极强的人工Hopfield神经网络算法融合到粒子群优化算法的搜索过程中,提出解决一类0/1优化问题融合神经网络的混合粒子群优化算法。在该算法中依粒子群当前全局最优个体为初始态激活神经网络,生成一个局部最优态,用这个局部最优态代替粒子群当前全局最优个体,增强了算法的局部寻优能力,通过数值试验证明该算法是有效的。     

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。     

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。     

基于强化学习的股票预测系统的研究与设计

股票市场是金融分析领域中重要而困难的问题。股票数据的分析和预测具有重大的理论意义和诱人的应用价值。BP神经网络在目前的股票预测系统中应用广泛,但是作为有导师的学习系统,BP神经网络必须要求提供相关的经验数据才能正常运行。对此本文提出了一种基于强化学习BP算法应用于股票预测系统,通过强化学习体系来实现体统的自学习,通过网络集成来达到初始数据的预处理,提高系统的泛化能力,在实际应用中取的较好的效果。     

基于非参数回归的神经网络集成降水预报模型

利用粒子群优化算法的全局搜索能力,同时进化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络,进一步用主成份分析方法提取有效因子,再采用非参数回归模型进行集成,建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型,以此对广西前汛期5,6月区域平均日降水量进行预报.结果表明,这里建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报.     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于改进二进制萤火虫的BP神经网络并行集成学习算法*

针对传统BP神经网络的随机初始权值和阈值易导致网络学习速度慢、容易陷入局部解及运算精度低等缺陷,提出基于改进二进制萤火虫算法(IBGSO)的BP神经网络并行集成学习算法.首先构建以高斯变异函数作为概率映射函数的IBGSO,并从理论上分析算法的有效性.然后结合IBGSO与BP神经网络构建并行集成学习算法,并将算法应用于农业干旱灾害评估中.实验表明,相比传统算法,文中算法在计算速度及精度方面更优,可以提高旱情等级评估的准确性.     

多模态粒子群集成神经网络

提出一种基于多模态粒子群算法的神经网络集成方法,在网络训练每个迭代周期内利用改进的快速聚类算法在权值搜索空间上动态地把搜索粒子分为若干类,求得每一类的最优粒子,然后计算最优个体两两之间的输出空间相异度,合并相异度过低的两类粒子,最终形成不但权值空间相异、而且输出空间也相异的若干类粒子,每类粒子负责一个成员网络权值的搜索,其中最优粒子对应于一个成员网络,所有类的最优粒子组成神经网络集成,成员网络的个数是由算法自动确定的.算法控制网络多样性的方法更直接、更有效.与负相关神经网络集成、bagging和boosting方法比较,实验结果表明,此算法较好地提高了神经网络集成的泛化能力.