基于粒子群算法的RBF网络参数优化算法

针对神经网络的一些缺陷,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RBF神经网络的学习训练。提出了一种基于粒子群优化（PSO）算法的径向基（RBF）网络参数优化算法,首先利用减聚类算法确定网络径向基函数中心的个数,再用PSO算法优化径向基函数的中心及宽度,最后用PSO算法训练隐含层到输出层的网络权值,找到神经网络权值的最优解,以达到优化神经网络学习的目的。最后,通过一个实验与最小二乘法优化的神经网络进行了比较,验证了算法的有效性。     

基于SA-PSO的小波神经网络汽轮机故障诊断

针对传统小波神经网络的问题,提出了一种基于模拟退火粒子群算法优化小波神经网络并用于汽轮机故障诊断.先使用模拟退火粒子群算法对小波神经网络的参数进行初步优化,再用小波神经网络进行二次优化训练.实验结果表明,所提出的SA-PSO-WNN算法与WNN、PSO-WNN算法相比,网络的训练速度更快,全局搜索能力更强,网络的泛化能力更好,具有很好的实用价值.     

混合粒子群优化算法优化前向神经网络结构和参数

提出了综合利用粒子群优化算法（PSO）和离散粒子群优化算法（D-PSO）同时优化前向神经网络结构和参数的新方法。该算法使用离散粒子群优化算法优化神经网络连接结构,用多维空间中0或1取值的粒子来描述所有可能的神经网络连接,同时使用粒子群优化算法优化神经网络权值。将经过该算法训练的神经网络应用于故障诊断,能够有效消除冗余连接结构对网络诊断能力的影响。仿真试验的结果表明,相比遗传算法等其他算法,该算法能够有效改善神经网络结构和参数的优化效率,提高故障模式识别的准确率。     

基于改进的粒子群优化的小波神经网络模型的传感器动态建模

提出一种基于改进的粒子群优化算法进化小波神经网络用于传感器动态建模的新方法。介绍了小波神经网络和粒子群寻优算法的原理,并且对粒子群优化算法做了改进。利用传感器动态标定的实验数据,来训练优化小波神经网络的网络结构和模型参数,从而建立了传感器的动态模型。通过Matlab软件仿真实验表明,利用改进的粒子群优化的小波神经网络对传感器进行动态建模,能克服传统BP神经网络模型误差反向传播算法易陷入局部最小,后期训练网络精度不高的缺点,并且相比遗传算法具有较小的复杂度。     

一种改进的粒子群算法在BP网络中的应用研究

采用Sigmoid激活函数的三层前向神经网络能够以任意精度模拟复杂的非线性关系,训练算法对神经网络模式分类的性能有较大影响。基于梯度下降的BP网络存在收敛速度慢、易陷入局部极小的缺陷。粒子群算法是一种全局优化算法。本文针对粒子群算法本身存在的不足加以改进,用改进后的粒子群算法对BP网络进行训练,从而克服BP网络的一些缺陷。采用IRIS分类问题验证了本文提出的方法的有效性。实验结果表明本文采用的方法比普通PSO-BP算法效果更好。     

AFSA＋PSO混合算法在BP网络故障诊断中的应用

提出一种基于人工鱼群算法和粒子群算法混合训练BP网络的故障诊断系统.采用人工鱼群算法和粒子群算法结合算法训练神经网络权值,局部搜索速度快且保证全局收敛,有效克服了传统的BP神经网络收敛速度慢且容易陷入局部极值的缺点.将该网络用于齿轮箱故障诊断,并与传统BP模型用于故障诊断结果进行了比较,取得了较好的效果.     

一种基于动态权重的神经网络训练算法

提出一种基于动态粒子群算法的神经网络训练方法。神经网络权值选择是否合适直接关系到其非线性拟合能力,通过引入动态粒子群算法对神经网络进行训练,对神经网络各层连接权值进行优化。经过函数测试表明,相比粒子群算法,动态柱子群算法收敛速度更快且不易陷入局部,能更快更合理地训练神经网络从而优化网络连接权值。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。     

基于最具影响粒子群优化的BP神经网络训练

系统地介绍了粒子群优化算法,将粒子群优化算法用于BP神经网络的学习训练,提出了一种改进的粒子群算法——最具影响粒子PSO算法BIPSO,并利用复合适应度即均方误差和误差均匀度之和作为BIPSO训练神经网络的指标,并对它与其他的神经网络训练算法诸如BP算法、GA算法、PSO算法进行了比较。实验结果表明:BIPSO性能优于其他算法,更容易找到全局最优解,具有更好的收敛性。     

基于粒子群神经网络线控转向故障诊断的研究

改进的自适应粒子群优化算法根据群体早熟收敛程度和个体适应值来调整惯性权重和阈值系数,以及对粒子速度与位置进行更新,该算法兼顾全局寻优和局部寻优,有效地避免早熟收敛.使用改进的自适应粒子群优化算法训练神经网络,并根据汽车线控转向系统构建故障诊断模型.实验结果表明:与传统的粒子群优化算法、遗传算法训练神经网络相比,基于改进的自适应粒子群优化算法的神经网络能够有效改善神经网络的训练效率,加快了收敛速度,提高故障模式识别的准确率.     

混沌粒子群优化神经网络算法应用于SRG建模

粒子群算法是解决非线性、不可微问题的一种优秀算法。利用混沌映射的随机性与遍历性,引入防早熟机制,加强了粒子群的全局搜索能力,但该算法仍然容易在进化后期出现速度变慢现象。BP神经网络具有很强的非线性处理能力和逼近能力,但BP算法是基于梯度下降的方法,存在容易陷入局部最优及初值敏感的缺点。将两种算法优势互补,构建了一种混沌粒子群优化BP神经网络（CPSO-BPNN）的算法。该算法应用到开关磁阻发电机（SRG）的非线性建模中,建模效果表明CPSO-BPNN算法的泛化能力很强,可以比较完美地表达开关磁阻发电机的磁链和转矩特性。     

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。     

基于最大熵神经网络算法的柔性制造系统调度策略研究

为了解决传统神经网络BP梯度下降算法在解决柔性制造系统调度策略时易陷入局部最优的问题,在规则化神经网络结构的基础上,提出了一种基于最大熵的神经网络权值优化算法,利用神经网络隐层节点变量的条件概率,在计算寻优过程中,通过改变收敛算子求解熵函数的期望,进而迭代求解网络的最优权重向量,对比实验表明,相较BP梯度下降算法,采用最大熵权值调整算法,数据搜索空间范围大,能保证系统准确收敛到全局最优解,算法鲁棒性好,在实际的调度策略应用中,该算法能明显缩短整体生产任务的加工周期,达到提高企业生产效率的目的。     

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。     

融合黄金正弦算法和纵横交叉策略的秃鹰搜索算法

针对传统秃鹰搜索算法（BES）存在容易陷入局部最优、收敛速度慢等缺点,提出一种融合黄金正弦算法（Gold-SA）和纵横交叉策略的秃鹰搜索算法（GSCBES）。首先,在传统BES的搜索阶段设置基于惯性权重的位置更新公式;然后,在捕食猎物阶段引入Gold-SA;最后,引入纵横交叉策略对全局最优和种群进行修正。对11个Benchmark函数和CEC2014函数进行仿真实验并使用Wilcoxon秩和检验的方式评估所提算法的寻优能力,结果表明,所提算法收敛更快;同时,使用所提算法对反向传播（BP）神经网络模型的权值和阈值进行赋值,并将优化的BP神经网络模型用于空气质量的预测中,平均绝对误差（MAE）、均方根误差（RMSE）、均方误差（MSE）、平均绝对百分比误差（MAPE）值均小于BP神经网络模型以及基于粒子群优化（PSO）的BP神经网络模型,预测精确度有所提高。     

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。     

A hybrid PSO-GD based intelligent method for machine diagnosis

This paper presents an intelligent methodology for diagnosing incipient faults in rotating machinery. In this fault diagnosis system, wavelet neural network techniques are used in combination with a new evolutionary learning algorithm. This new evolutionary learning algorithm is based on a hybrid of the constriction factor approach for particle swarm optimization (PSO) technique and the gradient descent (GD) technique, and is thus called HGDPSO. The HGDPSO is developed in such a way that a constriction factor approach for particle swarm optimization (CFA for PSO) is applied as a based level search, which can give a good direction to the optimal global region, and a local search gradient descent (GD) algorithm is used as a fine tuning to determine the optimal solution at the final. The effectiveness of the HGDPSO based WNN is demonstrated through the classification of the fault signals in rotating machinery. The simulated results show its feasibility and validity.     

改进的粒子群算法对RBF神经网络的优化

为了改进神经网络模型结构和参数的设置方法,提出了一种改进的粒子群优化径向基函数（RBF）神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子,提高了算法的收敛速度和搜索全局最优值的能力。实验结果表明：基于改进的PSO算法训练的神经网络在函数逼近性能上优于自组织选取中心算法与标准PSO算法,提高了网络泛化能力和优化效果,有效地增强了网络对非线性问题的处理能力。