改进PSO-BP网络在温室数据融合中的应用研究

由于温室环境受到各种因素影响,导致分布在各点的温度值不均匀,为了获得温度的准确值,提出了基于改进PSO的神经网络对其进行数据融合,并且采用分布图法剔除多传感器离异数据,最终得到准确有效的数据,为温室管理提供了精确的信息。仿真结果表明,采用这种方法可以提高温度采集的准确性,并且有效地消除了由于传感器失效引起的误差。     

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。     

基于PSO-BP的无线传感器网络数据融合算法研究

为提高无线传感器网络(WSN)数据融合效率,减少网络的通信量以及降低传感网的能量消耗,提出一种基于粒子群优化BP神经网络的无线传感器网络数据融合算法;该算法将粒子群算法优化BP神经网络的权值和阈值后,与传感器网络分簇路由协议有机结合,将无线传感器网络中簇头和节点等同于BP神经网络里的神经元,利用优化后的BP神经网络有效地提取WSN数据融合原始数据之中的少量特征数据,之后把提取的特征数据发送到汇聚节点,进而提升数据融合效率,延长网络生存周期;仿真实验证明,与LEACH算法、BP神经网络和GABP算法相比,该算法可有效减少网络通信量,降低节点总能耗的15%,延长网络生存时间。     

基于PSO的神经网络在传感器 数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,常采用BP神经网络对其进行数据融合.但BP神经网络方法训练收敛速度慢,易陷入局部最优.采用PSO全局优化算法训练多层前向神经网络权值,使网络训练误差比BP方法降低了两个数量级,并且收敛速度明显加快.融合结果表明基于PSO神经网络方法更有效地消除了温度对压力传感器的影响,显著提高了传感器的稳定性和准确度.     

数据融合技术在无线传感器网络中的应用

在大规模的无线传感器网络中,传输数据量巨大,必然存在着数据传输可靠性、拥塞以及能耗等问题,高效的数据融合技术能够有效的解决这些问题。本文结合分簇路由算法的特征,采用两层融合技术,首先簇内节点与簇首节点的融合,簇内节点根据阈值来判断是否需要发送数据,簇首节点根据接收到的数据,进行数据一致性检验,剔除异常数据,第二层采用BP神经网络算法对簇首节点与基站的融合,得到所需要的结果。实验表明,进行融合后的数据可靠性高,较大减少了数据的传输量与冗余度、降低了能量的消耗,从而提高了整个网络的性能。     

基于PSO-BP数据融合的环境监控系统设计

传统的温室大棚监控系统一般都采用手动布线,存在控制难度大、成本高等问题,已不能满足农业发展的需求。针对上述问题,该文设计了一款基于PSO-BP的无线温室大棚环境监控系统。在大棚内部署Zig Bee传感器节点网络采集环境信息,利用ECDS算法选择路由节点。同时为了能够直观地展示大棚内各环境信息的分布情况,使用Kriging方法构建环境信息分布图。构造了反馈调节系统:由于大棚的各因数之间是相互作用的,为了有一个准确的决策结果,该系统将BP神经网络和PSO算法结合。利用改进后算法良好的映射能力和优化能力,对温室数据进行融合,精确决策。实验结果表明,该系统能够合理分配路由节点节省网络开销,较好地展示环境信息分布情况,同时能够精确地调节大棚环境。     

PSO-BP网络模型在数据分类中的应用

分类技术是数据挖掘的重要分支,常见的分类方法有决策树、统计方法、机器学习方法、BP神经网络方法等.本文针对标准BP网络存在的一些缺陷,结合一种进化算法微粒群(PSO)算法,建立了一种用于数据分类的网络模型.该模型充分利用微粒群算法的全局寻优特性,优化BP网络的权值和阈值,既保证了BP网络能收敛到全局最优解,加快了BP网络的收敛速度和收敛精度,又提高了待分类数据的识别准确率.仿真实验结果表明此模型较BP网络具有较好的分类识别性能.     

PSO-BP神经网络预测模型在智慧课堂中的应用研究

大学生的学习成绩与其学习状态和习惯有正相关性.教师工作手册中记录的考勤、答问与作业信息反映了学生的学习状态,智慧课堂中的随堂提问、课后作业、座位偏好等信息进一步反应出学生的行为习惯.充分利用上述数据进行期末成绩预测并向学生反馈学业警示和鼓励信息,将对教学起到积极作用.设计了PSO-BP神经网络预测模型来进行学生行为数据...     

优化的模糊控制器在温室系统中的应用

为了更好的对温室因子进行控制,针对温室控制的特点,本文提出了一种遗传算法和BP算法相结合的模糊神经网络控制器,将两种控制方法取长补短,再依据网络的结构特点采用不同的算法来优化控制器的参数,并通过仿真等对其功能进行了分析.结果表明,这种应用是合理的.     

优化的模糊控制器在温室系统中的应用

为了更好的对温室因子进行控制,针对温室控制的特点,本文提出了一种遗传算法和BP算法相结合的模糊神经网络控制器,将两种控制方法取长补短,再依据网络的结构特点采用不同的算法来优化控制器的参数,并通过仿真等对其功能进行了分析。结果表明,这种应用是合理的。     

基于PSO-BP神经网络的湿度传感器温度补偿

针对自动气象站采用的HMP45D型温湿一体化传感器在实际应用过程中易受温度影响的问题,提出了基于粒子群优化算法(PSO)的BP神经网络温度补偿模型,利用粒子群优化算法对BP神经网络的初始权值阈值进行全局寻优,将粒子群优化算法优化好的权值阈值赋给BP神经网络,对BP神经网络进行训练。根据不同温度条件下测得的多组湿度传感器数据,通过建立模型,实现温度补偿,与传统BP神经网络补偿结果进行比较。实验表明,与传统BP神经网络模型相比,利用PSO-BP神经网络模型进行温度补偿后所得的误差绝对值之和降低了10.3887%RH,PSO-BP神经网络可以克服传统BP神经网络易陷入局部极值的局限,补偿精度更高,能更加有效地补偿温度对湿度传感器的影响。     

基于PSO-BP算法的规范手写体数字离线识别

针对BP算法存在的易陷入局部极小点、收敛速度慢、所设计的网络泛化能力不能保证等问题,提出了一种基于粒子群优化算法（PSO）的BP（PSO—BP）网络的权值调整新方法。该算法在基本BP算法的误差反传调整权值的基础上,再引入PSO算法的权值修正,从而建立了基于PSO—BP网络模型。基于此模型设计了规范手写体数字识别的分类器,采用随机手写数字样本进行了仿真实验,结果表明：PSO-BP算法提高了网络的稳定性,避免了BP算法容易进入平坦区、陷入局部极小等问题。     

基于QDPSO-BP网络的多传感器融合算法

多传感器数据融合的理论和方法已经被应用到许多领域。但目前对于多传感器所测的数据还没有一种通用的行之有效的处理方法。基于量子空间的粒子群(QDPSO)算法训练的BP神经网络具有较好的稳定性和收敛性,将其运用于多传感器的数据融合,在仿真中取得了比常规算法更高的精度,控制策略制定准确、可靠,是一种较有潜力的多传感器数据融合方法。     

基于PSO-BP网络的板形智能控制器

为了解决传统的板形识别与控制中的识别精度低,控制速度慢等问题,将粒子群优化(particle swarm optimization,PSO)算法和误差反传递(back propagation,BP)算法混合训练的PSO-BP网络引入到板形的识别与控制中.首先根据板形轧制的历史数据,建立预测板形的神经网络,得到反映板形控制手段对板形特征参数影响的效应矩阵,同时根据理论数据建立对板形进行模式识别的神经网络.这些都是离线进行的,而且对一批板材只需训练一次神经网络,在线轧制过程中只需要根据识别网络的识别结果和效应矩阵,便可以很快的得到需要的控制量.这种方法可以简化板形控制过程,提高控制速度,最后的仿真实验进一步说明了这种方法的有效性.     

原油含水率测量PSO-BP非线性校正技术

针对电容法测量原油含水率过程中存在的测量误差大、精度低等问题,提出了一种基于神经网络的非线性校正技术。此方法结合了微粒群(PSO)算法与BP网络在全局搜索与局部搜索上的优势,克服了以往方法的不足,可使原油含水率测量结果的校正过程具有寻优全局性和精确性,并能加快其收敛速度。仿真结果表明:该方法能有效消除非目标参量对传感器输出结果的影响,在工程上具有一定的应用价值。     

基于组合特征和PSO-BP算法的数字识别

提出了一种新的基于组合特征和PSO-BP(particle swarm optimization-backpropagation)算法的数字识别方法,将网格特征、投影特征和欧拉数表示的结构特征按照不同的特征权重系数构成数字图像的组合特征向量,利用PSO-BP神经网络进行识别,充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势.实验表明,该方法识别率高、网络收敛速度快、精度高.     

基于PSO-BP神经网络光电编码器误差补偿研究

考虑到高精度绝对式光电编码器应用广泛,其角度测量精度对整个系统精度影响较大,但由于角度传感器生产安装过程中产生的误差等原因,使得传感器在实际应用中存在一定的误差.而使用传统误差补偿方法难以得到较好的补偿效果,本文使用一种基于PSO的BP神经网络作为角度传感器误差补偿系统的算法.通过实验验证,该种算法能够对角度传感器误差进行较好的补偿,与补偿前相比,其标准偏差提高了12.5倍,最大误差和平均误差降低到9.6％和8.5％,提高了传感器检测精度.与使用了基于传统BP神经网络和基于多项式拟合算法的误差补偿系统进行对比实验,结果表明,其补偿效果亦优于这两种算法.