DE优化T-S模糊神经网络的交通流量预测

提出了一种差分进化算法优化T-S模糊神经网络预测交通流量的算法方法.该算法利用差分进化来弥补T-S模糊神经网络连接权值和阂值选择上的随机性缺陷,从而能发挥T-S模糊神经网络泛化的映射能力,而且能使T-S模糊神经网络具有较快的收敛性以及较强的学习能力.将该算法应用到实测交通流进行算法的有效性验证,并与传统的T-S模糊神经网络进行比较,仿真结果表明,该算法具有更好的非线性拟合能力和更高的预测准确性,在交通流量预测领域具备可行性和有效性.     

改进的粒子群算法优化TSFNN的交通流预测

为提高T-S模糊神经网络在交通流量预测的准确性,提出了一种改进的粒子群算法优化T-S 模糊神经网络预测交通流量的算法。该算法利用改进粒子群算法通过群体极值进行[t]分布变异,使算法跳出局部收敛,使用改进的粒子群算法优化T-S模糊神经网络,能够优化网络参数配置,进而提高网络的预测精度。利用优化后的T-S模糊神经网络对实测交通流量进行预测,实验仿真表明优化的T-S模糊神经网络可有效提高交通流量预测精度,减小预测误差。     

基于KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

一种基于改进T-S模糊推理的模糊神经网络学习算法

针对模糊神经网络学习算法计算量过大,在预测模型设计中提出了基于改进T-S模糊推理的模糊神经网络学习算法。主要工作如下:首先,改进T-S模糊推理方法,定义基于偏移率的T-s模糊推理方法;然后,通过将此模糊推理方法与基于合成规则的模糊推理方法及距离型模糊推理方法相比较可以看出,所提方法有较少的计算量,且比较有效;最后,在此基础上改善了模糊神经网络学习算法,并将其应用于天气预测与安全态势预测。测试结果表明,该方法明显改善了学习效率,减少了预测模型设计中的学习次数与时间复杂度,并降低了学习误差。     

基于IPSO的模糊神经网络优化及交通流量预测

在基于模糊神经网络的交通流量预测中,神经网络的各节点参数优化是最关键的。采用粒子群算法优化模糊神经网络的参数。针对粒子群算法易于陷入局部最优的缺点,提出一种改进的粒子群优化算法,并将改进的算法用于路口交通流量预测。仿真结果表明,该算法的收敛速度和预测精度优于传统粒子群算法、BP算法,提高了交通流量预测的精度和速度。     

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.     

基于混沌DNA遗传算法的模糊递归神经网络建模

本文受生物DNA分子遗传机制和混沌优化算法的启发,提出了一种混沌DNA遗传算法,用于优化T-S模糊递归神经网络（FRNN）.该方法使用碱基序列表示T-S模糊递归神经网络的前件部分参数,包括模糊规则数,隶属度函数中心点和宽度;设计更为复杂的遗传操作算子来改进遗传算法的寻优性能;利用混沌优化算法优化种群中的较差个体.同时使用递推最小二乘法（RLS）来辨识T-S模糊递归神经网络的后件部分参数.最后,采用基于混沌DNA遗传算法的T-S模糊递归神经网络对一种典型的pH中和过程进行建模。通过与其他建模方法的比较,仿真实验结果表明了所建模型的有效性.     

模糊预测控制在pH中和过程中的应用

针对pH中和过程,提出了一种基于T-S模型的模糊预测控制算法,以实现系统的滚动优化控制。T-S模糊模型的前件和后件参数分别采用模糊C均值聚类(FCM)和正交最小二乘法(OLS)进行离线或在线辨识。在每一个采样时刻以当前辨识出的T-S模型为基础实现系统的局部动态线性化,再根据线性化模型对pH过程实施广义预测控制(GPC),得到当前的控制量。仿真表明了该控制方法具有较小的超调性质,且在扰动作用下能快速跟踪到设定值,具有很强的鲁棒性。     

混沌萤火虫优化算法的研究及应用

针对基本萤火虫群优化算法的早熟收敛,易陷入局部最优值,求解精度不高等问题,提出了一种基于切比雪夫映射的混沌萤火虫优化算法。利用混沌系统的随机性和遍历性初始化萤火虫群,获得了质量较高且分布较均匀的初始解;同时对部分适应值低的个体进行了混沌优化,以提高种群的多样性。对4个标准测试函数进行了仿真实验,结果表明该算法的求解精度、全局搜索能力优于基本萤火虫优化算法。将改进算法应用于车辆路径问题的求解中,结果表明了改进算法的有效性。     

基于启发式算法的短时交通流量预测研究

针对初始参数的有效性直接影响BP神经网络对短时交通流量预测的准确性这一问题,该文提出了基于CS(Cuckoo Search)算法与BP(Back Propagation)神经网络相结合的启发式算法来进行短时交通流量预测。该算法首先用相空间重构理论对训练序列进行重构,接着把重构后的序列作为BP神经网络的输入序列,同时采用CS算法来进行BP神经网络的最优阀值与初始连接权值的寻找,最后就得到了所需要的预测模型。仿真表明,本文所提算法在短时间内能够准确地预测交通流量的变化趋势,从而大大增加了所预测流量的可信度。     

扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

一种具有区域影响的人工萤火虫算法

受到自然界中萤火虫通过荧光进行信息交流的群体行为的启示,萤火虫算法被提出。它是一种新颖的仿生群智能优化算法。基本的萤火虫算法中,萤火虫个体间存在协作不足,易陷入局部最优的缺陷;考虑到萤火虫个体的区域影响作用,提出一种更接近社会上信息传递系统的萤火虫算法。该算法综合考虑了萤火虫个体的历史最优位置和萤火虫群体的历史最优位置对当前位置的影响作用,使相距较近的萤火虫个体能很快地得到信息并受其影响。实验仿真结果表明,区域影响下的萤火虫算法性能有了显著提高。     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

基于混合改进GSO与GRNN并行集成学习模型

针对萤火虫群优化算法(GSO)不稳定、收敛速度较慢与收敛精度较低等问题和广义回归神经网络(GRNN)的网络结构导致预测误差的特性,提出基于混合改进萤火虫群算法与广义回归神经网络并行集成学习模型,应用于雾霾预测.首先构建融合多种搜索策略的混合改进萤火虫群优化算法(HIGSO),并使用标准测试函数验证算法性能.然后结合HIGSO与引入扰动因子的GRNN模型,建立并行集成学习模型,并通过UCI标准数据集验证模型的有效性与可行性.最后将模型应用于北京、上海和广州地区的雾霾预测,进一步验证模型在雾霾预测中的性能.     

改进的神经网络EPON动态带宽分配方法

动态带宽分配（DBA）是EPON的关键技术,根据数据业务流量的突发性调整了ONU授权时隙的顺序,提出了一种改进的轮询算法,构造了微粒群（PSO）优化的神经网络预测模型,提高了轮询周期内ONU新增数据的预测精度,从而保证了带宽分配公平性。仿真结果表明,该算法在优化带宽资源分配、降低平均数据时延方面均优于传统DBA算法。     

一种基于荧光素扩散的人工萤火虫算法

人工萤火虫算法是一种新型的搜索算法,其模拟自然界萤火虫利用荧光素进行联系而表现出的社会性行为。在基本萤火虫算法中,萤火虫之间存在协作不足,易陷入局部最优的缺陷。提出了一种新的更接近自然界萤火虫信息交流系统的萤火虫算法。该算法通过建立荧光素扩散模型,使相距较近的萤火虫之间能更好地进行协作。数值仿真实验结果表明,基于荧光素扩散的萤火虫算法,在全局性和收敛性方面比基本萤火虫算法有显著的提高。     

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络（long short-term memory,LSTM）作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差（mean absolute percentage error,MAPE）与LSTM、门控循环单元（gated recurrent unit,GRU）、反向传播（back propagation,BP）神经网络、卷积神经网络...     

改进PSO优化神经网络的短时交通流预测

在短时交通流预测中,传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制,这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度,将在传统PSO优化BP神经网络的基础上,引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数。用实测的北京二环交通流数据对改进的预测模型进行验证,结果表明该模型更有利于搜寻全局最优解,且寻优时间更短,能有效改善短时交通流预测性能。