综合改进的粒子群神经网络算法

粒子群优化算法是一种解决非线性、不可微和多峰值复杂优化问题的优秀算法,但该算法在进化后期容易出现速度变慢以及早熟的现象;BP神经网络的学习算法是基于梯度下降这一本质的,因此存在着容易陷于局部极小值,收敛速度慢,训练时间长等问题.针对上述现象,对粒子群优化算法进行了增强粒子多样性和避免种群陷入早熟两个方面的改进,并提出了一种基于改进算法的粒子群神经网络算法,最后通过在IRIS数据集上进行的仿真实验验证了改进的有效性.     

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.     

基于粒子群算法和神经网络的人脸识别分类器研究

针对BP神经网络作为人脸识别分类器具有的收敛速度慢、易陷入局部极小等缺点,提出利用改进的粒子群优化算法(PSO)改善BP网络训练的方法,建立种基于改进的PSO-BP神经网络,更合理有效地确定神经网络的连接权值和阈值,将其应用到人脸识别系统中的分类环节中,并与单独使用BP神经网络分类的结果相比较,实验表明,该方法识别速度...     

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于改进粒子群算法的BP神经网络及其应用

目前BP神经网络是一种有效的预测方法,但在实际应用当中存在着一些自身的缺点,为此提出了一种基于改进粒子群算法的BP神经网络。通过动态调整粒子群算法中的惯性因子ω,有效地增强了算法对非线性问题的处理能力,同时提高了算法的收敛速度和搜索全局最优值的能力。建立改进后的BP网络模型,通过该模型和逐步回归方法对某市降水量进行实例分析。分析结果表明,改进后的BP网络模型具有较高的准备预报能力和稳定性。     

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.     

基于粒子群算法的BP神经网络优化技术

针对传统BP神经网络存在学习效率低、收敛速度慢和容易陷入局部极小值的问题,提出一种基于改进的PSO来优化BP神经网络的方法。通过在PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,将优化的BP神经网络用于遗传高血压患病年龄的预测中。实验结果表明,该方法较好地解决了传统BP神经网络易陷入局部极小值的问题,提高了算法的收敛速度和稳定性。     

基于PSO-BP神经网络的应力测量与补偿模型

针对柔性材料在工作过程中受力情况难以直接并准确测量的问题,提出一种基于粒子群优化的BP神经网络应力测量与补偿模型。在模型的训练过程中,采用粒子群算法对模型中的初始权值和阈值进行优化,解决BP神经网络收敛速度慢的问题。通过与柔性材料标准曲线的对比实验,验证了该模型对柔性材料进行应力测量的有效性和准确性。     

基于Agent的应急疏散模型研究

根据突发事件出现的等级,选择安全区域,并采用适当的疏散方式,选择受灾区域的周边安全区域作为避难所;通过分析影响应急情况下人员选择目的地的因素,对人员疏散行为直观分析并结合人机功效评估,对疏散行为规范,建立基于Agent的应急疏散人员避难所选择模型。通过设定可能影响人员疏散的多种可能因素,该模型能够比较真实地模拟紧急情况下的人员疏散状态。仿真过程与实际情况相似,方法可广泛用于人员应急疏散过程分析研究。     

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。     

基于PSO-BP算法的目标威胁评估*

通过对目标高度、距离、速度、角度这些空间态势因素和空战能力因素的分析,建立了目标威胁评估模型,提出了基于PSO-BP(粒子群和后向传播)算法的目标威胁程度评估方法。通过对空中八个目标某一时刻威胁程度的预测,并将结果与多数属性决策方法的结果进行了比较,表明此方法有效地解决了空战目标威胁评估问题,大大提高了决策的客观性。     

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神经网络的混凝土抗压强度预测

为了有效提高混凝土抗压强度的预测精准度,利用粒子群算法优化BP神经网络初始权值和阈值,建立了混凝土抗压强多因子PSO-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数,混凝土抗压强度值作为输出参数,不仅可以克服BP算法收敛速度慢和易陷入局部极值的缺陷,而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以UCI数据库中的Concrete CompressiveStrength数据集为例进行仿真测试,结果表明：PSO-BP模型预测精度较BP、GA—BP模型分别提高了8．26％和2．05％,验证了PSO—BP模型在混凝土抗压强度预测中的有效性。     

基于PSO—BP神经网络的图像压缩算法

本文阐述了使用BP神经网络压缩图像的方法和粒子群算法（PSO）的原理。为提高BP算法的训练速度和图像重建质量．本文设计了一种利用PSO—BP网络进行图像压缩的算法，该算法结合了PSO算法和BP算法的优点，将BP网络的训练过程分为两个阶段。实验表明，利用该算法压缩图像，不仅速度较快，而且重建后的图像质量有明显提高。     

基于PSO-BP神经网络的图像压缩算法

本文阐述了使用BP神经网络压缩图像的方法和粒子群算法(PSO)的原理.为提高BP算法的训练速度和图像重建质量,本文设计了一种利用PSO-BP网络进行图像压缩的算法,该算法结合了PSO算法和BP算法的优点,将BP网络的训练过程分为两个阶段.实验表明,利用该算法压缩图像,不仅速度较快,而且重建后的图像质量有明显提高.     

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。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性,基于BP神经网络建立烧结配料的预测模型,并采用粒子群算法对预测模型参数进行优化.为了克服粒子群算法的局部收敛性,在迭代过程中,根据迭代次数对惯性权重进行动态非线性调整,从而提高算法的搜索能力.仿真结果表明,所提出的改进粒子群算法与传统的粒子群算法比较,收敛速度快、迭代次数少、...