基于粒子群优化BP神经网络的可靠性评估模型

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题,提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化,提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度,根据改进的BP神经网络模型建立CPU的可靠性评估模型,通过模型训练与测试完成对CPU的可靠性评估。通过对比实验,验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

基于粒子群的模糊神经网络交通信号控制

针对城市交通流的特点,提出了一种单交叉口多相位模糊神经网络交通信号控制模型,并采用全局优化的粒子群算法优化模糊神经网络参数.仿真结果表明该算法能够有效减少交叉口车辆平均延误时间,提高道路通行能力.     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化PID神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的PID神经网络控制器具有逼近控制目标更快、响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

基于复合适应度微粒群算法的神经网络训练

为提高神经网络的泛化能力,针对以均方误差为适应度的PSO算法在训练神经网络时会产生一定的过拟合问题,提出对均方误差和误差分布均匀度进行信息融合,构成复合适应度作为训练指标.实验结果表明,该方法可使网络的泛化能力得到明显的改善.     

基于PSO的BP神经网络学习算法

针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法。采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正。将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较。实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型。     

基于改进粒子群优化算法的新型小波神经网研究

本文提出了改进的粒子群优化算法（Improved Particle Swarm Optimization,IPSO）的新型BP 小波 神经网络,并且对非线性辨识问题进行了仿真实验．实验结果表明,基于改进的粒子群优化算法的BP 小波网 络不仅具有小波分析良好的局部特性以及神经网络的学习、分类能力,而且具有粒子群优化算法全局快速寻 优的特点．与简单的粒子群优化算法相比,该方法在收敛性和稳定性方面都有了较明显的提高,验证了它的 合理性和有效性．     

一种新的基于三种进化模型的粒子群优化算法

针对标准粒子群优化算法在优化多极值点复杂问题时容易陷入局部极值的缺陷,提出了一种新的采用不同进化模型分阶段进化的粒子群优化算法。该方法将粒子群进化过程分成三个阶段,第一阶段按cognitiononly模型进化,第二阶段按标准模型进化,第三阶段按socialonly模型进化。在不同进化阶段利用不同模型进化可以增加种群的多样性,达到降低群体陷入局部极值点的效果。仿真实验结果表明,对于复杂多极值函数优化问题,本文算法比标准算法的全局寻优性能更好。     

基于粒子群的模糊神经网络交通流量预测

实时准确的交通流量预测是智能交通诱导和交通控制实现的前提和关键.针对城市交通流的特点, 本文建立了模糊神经网络模型预测短时交通流量,并采用全局优化的粒子群算法优化模糊神经网络的参数.仿真结果表明该模型能够取得比梯度下降法更高的预测精度.     

基于协同进化微粒群算法的神经网络自适应噪声消除系统

在分析前向神经网络结构的基础上,定义了一个与随机数对应的布尔向量,实现了前向神经网络的网络结构与权值联合编码;将网络结构参数作为协同进化微粒群算法子群的划分标志,构造了一种用于神经网络进化设计的协同进化微粒群算法,实现了神经网络的结构和权值协同自适应进化设计,应用于神经网络噪声消除系统,取得了比较好的效果。     

基于粒子群的后件多项式RBF神经网络算法

RBF（径向基函数）神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对这些问题,提出了利用粒子群算法优化后件多项式RBF神经网络方法,即优化含有后件多项式RBF神经网络的权值、网络中心值和基宽向量值,并选取最优的隐含层节点数,进而提出了PSOIRBF（基于粒子群的后件多项式RBF）神经网络。通过对非线性模型和实例等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性。     

基于云粒子群小波网络的发动机起动模型辨识

起动过程是航空发动机顺利进入正常工作的前提,为了克服过程中存在的部件低转速特性获取困难,保证飞行安全,针对机理建模难度大和传统神经网络辨识建模易陷入局部最优、过学习等问题.为解决上述问题提出了一种云粒子群小波网络的起动模型辨识的新方法,方法采用的辨识网络兼具了云粒子群的全局快速寻优能力和小波网络良好的非线性逼近能力,并通过某发动机起动数据样本的训练,建立了起动模型,仿真结果表明方法的辨识精度高、鲁棒性好、泛化能力强,验证了起动过程合理性,为进-步研究起动性能提供了一种可靠的新途径.     

一种新的基于粒群优化的BP网络学习算法

标准BP学习算法是多层感知器的一种训练学习算法，是基于无约束极值问题的梯度法而设计的。针对标准算法存在的收敛速度慢、目标函数易陷入局部极小等缺点，该文提出了一种基于粒群优化的全新学习算法——粒群学习算法。该算法采用并行全局寻优策略，使网络以更快的速度收敛至全局最优解，且更易于编程实现。仿真实例证明，该算法是一种简洁高效的BP神经网络学习算法，有着极为广泛的应用前景。     

基于粒子群优化和模拟退火的神经网络优化研究

把模拟退火思想引入到粒子群优化算法中。提出一种关于神经网络结构的优化设计方法,用于同时完成对网络结构空间和权值空间的搜索。算法对神经网络的结构和权值进行优化,删除网络中的冗余结点和权值,提高网络的处理能力。实验结果表明,算法能够有效抑制粒子群优化算法不成熟收敛的发生,有效提高前馈神经网络的收敛精度和收敛速度,表现出良好的性能。     

基于粒子群优化BP神经网络的超声波缺陷位置预测

海洋设备的无损检测对于保障设备安全使用至关重要,由于设备所处的海洋环境特殊,要实现对海洋设备缺陷位置的准确估计难度较大.论文提出了一种基于粒子群优化BP神经网络(PSO-BP)预测设备缺陷位置的方法.通过模拟了海洋检测环境,用钢板作为实验对象,用超声波探伤仪对缺陷钢板进行了数据采集,获取了水下钢板的实时数据.通过粒子群算法对BP网络进行优化后对数据进行分析,对比缺陷出现的实际位置和预测位置,证明了粒子群优化的BP神经网络对于超声波检测的缺陷出现位置具有较好的预测效果.     

基于改进粒子群和模糊神经网络的雾霾分类研究

针对粒子群算法对初始种群敏感和易陷入局部最优解等问题,提出了佳点集理论结合多种群多策略协同进化算法改进的粒子群算法(IMPMSPSO).首先采用佳点集理论生成佳点作为初始种群,使种群分布更均匀而在一定程度上减弱其对位置的敏感性;然后利用协同进化算法,先将种群随机分成若干子种群,各子种群随机选择一种改进的进化策略并行计算...     

一种改进PSO优化RBF神经网络的新方法

为了克服神经网络模型结构和参数难以设置的缺点,提出了一种改进粒子群优化的径向基函数(RBF)神经网络的新方法.首先将最近邻聚类用于RBF神经网络隐层中心向量的确定,同时对引入适应度值择优选取的原则对基本粒子群算法进行改进,采用改进粒子群(IMPSO)算法对最近邻聚类的聚类半径进行优化,合理的确定了RBF神经网络的隐层结构.将改进PSO优化的RBF神经网络应用于非线性函数逼近和混沌时间序列预测,经实验仿真验证.与基本粒子群(PSO)算法,收缩因子粒子群(CFA PSO)算法优化的RBF神经网络相比较,其在识别精度和收敛速度上都有了显著的提高.     

基于粒子群优化的BP神经网络图像复原方法

针对BP神经网络易陷入局部最小、收敛速度慢的问题,研究了基于粒子群优化的学习算法,给出了具体的算法方案设计,并将其应用于图像复原。首先用高斯噪声对无噪图像进行模糊处理;然后将结果和原图像组成训练对,用于训练优化后的神经网络;最后利用训练好的神经网络对测试图像进行复原,从而达到去除噪声的目的。仿真结果表明,与BP神经网络相比,PSO-BP算法收敛速度快,迭代次数少,复原的图像在归一化均方误差（NMSE）和峰值信噪比（PSNR）的效果更好。     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。