基于SAPSO优化灰色神经网络的空中目标威胁估计

针对目标威胁估计有很多不确定性的特点,分析了传统目标威胁估计方法和灰色神经网络初始参数随机选择的不足。采用模拟退火改进的粒子群算法代替梯度修正法,对网络参数初始值进行寻优,并通过该方法搜寻到的最优粒子,建立了基于模拟退火粒子群算法优化的灰色神经网络模型,以提高预测模型的稳健性和精确度。与灰色神经网络和没有改进的粒子群灰色神经网络等方法进行比较,仿真实验结果表明,模拟退火粒子群优化的灰色神经网络具有很好的预测能力,可以准确地完成空中目标威胁估计。     

基于改进的PSO神经网络的手写体汉字识别

为了克服手写体汉字识别中传统神经网络训练算法存在网络易于过早收敛的缺陷,本文提出采用自适应惯性权值的粒子群优化算法训练神经网络,即利用粒子更新迭代训练神经网络最优的权值和阈值,其中对粒子更新的惯性权值进行了自适应性的改进.试验中提取了大量汉字样本的笔画数量信息和分布信息作为特征向量,利用改进的粒子群神经网络对汉字进行分类,并与BP神经网络的识别效果做了比较.结果表明:自适应惯性权值的粒子群优化算法能有效避免网络"早熟",大大提高了网络训练精度,网络对汉字的识别正确率明显提高.     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于改进PSO的神经网络短期电力负荷预测模型

针对短期电力负荷预测问题,提出了一种基于改进粒子群算法(PSO)的BP神经网络预测模型.选取与电力负荷大小密切相关的季节、天气情况、当天最高温度、当天最低温度、日期性质、上年同期历史数据为神经网络的输入变量,电力负荷大小为输出变量,建立基于BP神经网络的电力负荷预测模型,同时利用改进的粒子群算法对神经网络进行训练.该训练算法具有较高的精度,能够建立较精确的短期电力负荷测量模型.仿真结果表明,基于改进粒子群算法的BP神经网络电力负荷预测模型预测精度较高,具有一定的应用价值.     

基于多粒子信息共享策略的PSO小波网络模型

针对粒子群优化算法在训练小波网络存在的早熟收敛问题,提出一种改进的粒子群优化算法.该算法通过引入多粒子信息共享策略,使种群中各粒子共享多个粒子的有用信息,以期增加种群多样性,减少各粒子在进化早期被吸引到最优粒子附近的可能性,提高小波网络的建模质量.仿真表明,相对于BP算法和标准粒子群优化算法,本文算法在训练小波网络方面估计精度更高,收敛速度更快,并有效解决了早熟收敛和局部最优问题.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。     

基于结构和参数智能优化的神经网络数值预测方法研究

针对BP神经网络数值预测中结构不易确定、易陷入局部最小等问题,利用遗传算法,采用二进制编码方式优化网络结构,采用浮点数编码方式优化网络参数;利用粒子群算法进一步改善网络参数,减少算法耗时,提高预测精度。仿真验证了算法的有效性。