共查询到10条相似文献,搜索用时 31 毫秒
1.
为了进一步提高基于BP神经网络的预测模型精度,本文针对BP神经网络收敛速度慢,参数选择随机等特点,采用了遗传算法对BP神经网络进行优化,并提出了一种基于遗传算法优化BP神经网络的预测模型,从而进一步提高预测模型的预测精度,通过对比未使用遗传算法优化的BP神经网络的预测模型发现基于遗传算法优化BP神经网络的预测模型在提升预测精度方面具有非常好的效果,是一种非常高效的方法. 相似文献
2.
为了预报电力系统负荷,采用GRNN(广义回归网络)的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。 相似文献
3.
4.
针对单超声波的测距缺陷,采用多个超声波结合红外开关共同测距,提高整体测量精度;针对BP神经网络训练收敛速度慢,容易陷入局部极小值等缺点,加入动量-自适应因子来改进BP神经网络;将改进的BP应用于移动机器人传感器旅行家II号数据融合中,实践证明,经改进后的BP神经网络收敛精度高误差小,融合后的信息比未经融合的信息更精确。 相似文献
5.
6.
7.
为提高BP神经网络预测股票收盘价的准确性和高效性,文章使用Python语言,通过遗传算法(GA)对BP神经网络算法中的权值和阈值进行优化(GA-BP),并将优化后的系统用于股票预测当中。优化后的算法收敛速度更快,同时克服了BP算法容易陷入局部最优的缺陷,提高了整个系统的预测精度。最后对股票“千金药业”的仿真结果表明,该方法在股票收盘价的短期预测方面具有一定的应用价值。此外,在对股票收盘价预测过程中,添加输入参数盘口,能够有效降低GA-BP神经网络的预测误差。 相似文献
8.
9.
10.
《现代电子技术》2019,(1)
在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。 相似文献