基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明明：该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。     

粒子群优化算法在煤炭发热量预测中的应用

根据已测定的煤中收到基全水、收到基灰分、干燥基灰分和收到基挥发分的含量,建立了基于BP神经网络的煤炭发热量预测模型,并采用粒子群优化算法优化BP神经网络的权值和阈值,实现了对煤炭发热量的快速预测。仿真及实验结果表明,经粒子群优化算法优化后的预测模型可用于煤质分析,且学习精度高,稳定性和鲁棒性好。     

神经网络的粒子群优化算法及其在地震预测中的应用

BP神经网络具有较强的非线性问题处理能力,是目前一种较好的用于时间序列预测的方法,然而它存在易于陷入局部极小值、收敛速度慢等不足。针对以上缺点,利用改进粒子群优化BP神经网络的权值与阈值,有效地增强了算法的全局搜索能力和提高了收敛速度。针对地震预测的应用,用改进粒子群优化的BP算法对四川地区最大震级时间序列进行预测,通过训练预测次年的最大震级。结果表明此方法优于未经优化的算法,具有良好的预测效果。     

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.     

Pso-Bp 耦合算法在矿井瓦斯突出预测中的应用

矿井瓦斯含量的预测模型是一个多变量、非线性的函数关系,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。将神经网络与粒子群算法有机地结合起来,以神经网络理论为基础,利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,建立瓦斯含量预测模型,解决了Bp神经网络收敛速度慢、易陷入局部优化的缺陷。并在历史数据的基础上,建立遗传神经网络训练和检验样本集,利用MATLAB进行仿真,结果表明粒子群神经网络模型可靠性强,预测精度高。     

改进的神经网络在网络流量预测中的应用研究

关于保证网络安全服务,研究网络流量预测问题.网络流量数据具突发性、非线性和时变性等等特点,传统RBF神经网络在网络流量预测过程存在敛速度慢、极易出现局部最优等缺点,从而导致预测精度低和难问题.为了提高网络流量的预测精度,提出一种粒子群算法优化RBF神经网络参数的网络流量预测方法.首先采用粒子群算法对RBF神经网络的参数进行优化,简化网络结构,加快收敛速度,并用优化后RBF神经网络对网络流量进行预测,防止局部最优的出现.最后在Matlab平台对模型进行了仿真,结果表明,算法提高了网络流量的预测精度.相对于传统的网络流量预测方法,提高了预测效率.     

基于粒子群算法优化BP神经网络的产品质量预测分析

产品制造的过程中存在较大的不确定性,从事前预测的角度出发,提出了一种结合现有产品合格率、合格率变化规律等相关数据,借助BP神经网络等数学建模思想,并加入粒子群算法加以改进的产品质量预测模型,此种预测模型与传统BP神经网络相比,通过与粒子群算法的优化结合,进一步提高了预测精度。     

神经网络在销售预测中的应用研究

文章提出了基于反向传播网络建立市场销售预测模型的设计方法,并针对反向传播网络算法的不足之处给出了改进方法,该算法适用于规则不可知的预测问题。将该算法应用于销售预测中,获得了良好的预测结果,为企业生产决策提供了有力的依据。     

基于粒子群算法优化BP神经网络漏钢预报的研究

针对标准BP神经网络中收敛速度慢以及易陷入局部最优解等问题,利用粒子群算法的全局搜索性,将粒子群算法应用到BP神经网络训练中建立了PSO-BP神经网络模型,结果表明改进模型不仅可以克服传统BP网络收敛速度慢和易陷入局部权值的局限问题,而且很大程度地提高了结果精度和BP网络学习能力,将此模型应用到结晶器漏钢预报系统中,并用某钢厂采集到的历史数据对该模型进行训练与测试,与标准BP神经网络测试结果进行分析与比较,实验表明PSO-BP网络模型预报更加实时、准确,具有很好的应用前景.     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

基于BP神经网络算法的成绩预测模型研究

基于sigmoid激活函数,建立了一种BP神经网络模型。通过对某高中2006年至2015年间的高考平均数据样本进行学习,修正了权值和阈值。系统最大相对误差为0.22%,关联度为0.6667,小误差概率为0.98,方差比为0.0002,预测结果精度为高。用于2016年至2020年间该校高考平均成绩的预测中发现,预测结果与实际结果的最大绝对误差仅为2分。对该校2021年的高考平均成绩进行了预测,最终预测结果为571分。     

改进BP神经网络的光伏系统发电功率预测

为了提高光伏发电功率的预测精度,提出一种改进BP神经网络的光伏发电功率预测模型.首先采用包括室外温度、光照辐射量、风速等作为输入层节点,交流发电功率作为输出节点,引入RMSE作为衡量最优模型指标,确定了隐含层节点数,然后采用BP神经网络对其进行学习,并采用布谷鸟搜索算法对BP神经网络进行优化,最后采用仿真实验对其有效性进行测试.结果表明,改进神经网络提高了光伏发电功率预测精度,具有一定的推广价值.     

PSO-BP 模型在高校学生个人信用评价中的应用

近年来,信用问题己成为全社会共同关注的一个重要话题。通过建立高校学生个人信用评价体系来引导和督促学生重视个人信用记录、改善个人信用行为、推动高校助学贷款、就业等各项工作的开展是非常必要的。采用PSO-BP算法建立模型,对BP算法进行优化,克服了BP神经网络收敛速度慢、易陷入局部极小、初始值难以确定等固有缺陷。通过在Matlab环境下进行仿真,结果表明,PSO-BP加快了BP的收敛速度,提高了BP的泛化能力,PSO-BP模型的训练效果明显优于BP模型,在高校学生个人信用评价币具有一定的实践意义。     

PSO-BP神经网络的分级过程建模

分级条件直接影响分级效率和精矿品位,为建立分级效率与分级条件之间的关系,首先通过机理分析建立分级效率模型结构,再采用BP神经网络建立模型结构参数与分级条件之间的关系。在网络训练中,考虑到基于梯度的优化方法易陷入局部极小的缺陷,采用PSO算法优化网络权值和阈值。实验表明,与基于梯度的动量BP算法相比,PSO算法训练和测试网络的精度和稳定性均优于前者。最后,将训练好的网络用于实际分级效率模型进行分级效率预测,预测的结果为实际值与估计值的相对误差在7%以下,这表明预测精度能达到给定的工业指标。     

遗传BP神经网络在网络流量预测中的应用

由于BP神经网络本质上采用的是梯度下降算法,具有收敛速度慢、容易陷入局部极小点等缺陷.针对这种情况,用具有良好全局搜索能力的遗传算法来改进BP神经网络模型,对神经网络的初始权值和阈值进行优化.仿真结果表明,遗传BP神经网络具有良好的预测效果,预测精度比传统的BP神经网络要高,误差更小,说明了遗传BP神经网络对网络流量预测是高效可行的.     

改进粒子群BP算法的四六级翻译评分模型

针对四六级考试翻译题型, 给出了一种基于改进PSO-BP神经网络的评分方法. 通过BLEU和SVD等算法获取到文本特征值以及老师评分作为输入集, 然后用该集合对改进PSO-BP神经网络进行训练, 训练好的BP神经网络可以用来预测翻译分数. 从惯性权值计算和适应度函数两方面优化了PSO-BP算法, 在全局范围内寻找最优解, 使得实验效果更加稳定. 用Matlab进行了仿真实验, 结果表明, 在翻译评分中, 使用改进PSO-BP神经网络比采用多元线性回归能获得更好的相关性, 与人工评分的皮尔逊相关系数平均提高了12%.     

基于粒子群优化算法的BP网络学习研究

文章提出了基于粒子群优化的BP网络学习算法。在该算法中,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。并将该算法应用在了高速公路动态称重系统的设计中,实验证明:这种算法能够明显减少迭代次数、提高收敛精度,其泛化性能也优于传统BP算法。