一种基于Pareto云隶属度的MOPSO算法

为定量解决非支配解排序问题,并兼顾多目标粒子群优化算法(multi-objective particle swarm optimization,MOPSO)的收敛性和多样性,提出了一种基于Pareto云隶属度的MOPSO算法。利用Logistic混沌映射优化种群的初始空间分布并融合布谷鸟搜索(cuckoo search,CS)指导粒子跳出局部陷阱,以增强算法的全局寻优能力。首次提出云向量评价Pareto最优解集方法,采用云隶属度评价准则对粒子适应度值进行量化评价。依据云隶属度选取个体最优和群体最优,平衡全局开发与开采,进而实现外部档案维护。测试函数集ZDT的实验结果表明,改进算法在收敛性和多样性方面较MOPSO和NSGA-Ⅱ有一定优势。     

城市生活需水量预测中智能算法的应用研究

在分析城市用水特点、筛选相关影响因素的基础上建立城市生活需水量预测模型,并研究了模型求解过程中智能算法的应用。采用改进的粒子群优化(PSO)算法对反向传播(BP)神经网络的初始设置进行智能优化,避免了传统BP神经网络模型在训练过程中容易陷入局部极小值的缺点。应用该粒子群优化神经网络(PSO-BP)算法求解需水量预测模型,其实例结果表明,该算法提高了神经网络的训练效率,基于该算法的预测模型具有较理想的可靠性和精度。     

改进粒子群优化BP神经网络的轮毂分类算法

针对轮毂识别系统前期图像特征提取误差较大时分类准确性降低的问题,提出了基于改进粒子群算法优化BP神经网络的轮毂识别模型。在标准粒子群中引入遗传算法的变异因子、惯性权重、时间因子、速度边界限制和反弹策略,以改进粒子群算法,从而提高寻找最优阈值与权值的性能。经过与不同算法的对比数据看出,采用改进粒子群优化BP神经网络算法的分类识别率比其他算法提高了9%左右,且收敛速度、收敛精度均有提高,证明了所提IPSO(improved particle swarm optimization)算法的有效性。     

基于改进果蝇算法优化SVM的个人信用风险评估

为了提高信用风险评估的准确率,应用支持向量机(SVM)来建立信用风险评估模型。针对SVM模型性能的优劣与参数的选择密切相关,提出对传统的果蝇优化算法(FOA)进行改进,采用改进的果蝇算法优化支持向量机的参数,并将该模型的评估结果分别与网格法、遗传算法(GA)和果蝇算法(FOA)优化SVM参数的评估结果对比。实验结果表明:使用改进的果蝇算法优化后的支持向量机模型的评估准确率更高,更适合用于信用风险评估。     

基于神经网络的人脸识别技术方法研究

文章研究了情绪神经网络的效率,该网络使用改进的反向传播学习算法。实验结果表明,人工情绪可以成功建模并有效实施,以改善神经网络的学习和普遍性。     

基于主成分分析和反向传播神经网络相结合的 金属氧化物压敏电阻故障诊断分析

准确诊断金属氧化物压敏电阻故障对电力系统安全运行十分重要。为有效提高故障诊断率,本文提出基于主成分分析与反向传播神经网络相结合的故障诊断算法。对于MOV故障数据指示指标,利用主成分分析进行降维,降低原始指标间相关性,最后利用反向传播神经网络对所选主成分进行诊断。试验结果表明:相对于反向传播模型,PCA-反向传播模型诊断误判率下降了3%,模型运行时间降低了267 s。有效降低MOV误判率,简化了反向传播网络结构,提高网络收敛性和稳定性。     

LM算法在火灾早期探测中的应用

针对传统火灾探测方法在外界干扰下难以快速、准确地识别火灾,提出基于过程特征信息的神经网络火灾探测方法.选用CO和CO2气体体积分数比值、比值上升速率和加速度作为火灾过程特征参数,设计三层误差反向传播(BP)人工神经网络模型,采用改进的BP算法-LM算法进行网络学习训练.实验包括6种真实火灾源材料及蜡烛、香烟、液化气3种虚假火灾源材料.结果表明,基于LM算法的人工神经网络火灾探测系统能有效识别火灾,提高火灾探测的可靠性与准确性.     

应用改进混合蛙跳算法的实用语音情感识别

针对支持向量机(Support Vector Machine,SVM)的参数优化问题,提出了一种改进的混合蛙跳算法(Improved Shuffled Frog Leaping Algorithm,Im-SFLA),提高了其在实用语音情感识别中的学习能力。首先,我们在SFLA中引入了模拟退火(Simulated Annealing,SA)、免疫接种(Immune Vaccination,IV)、高斯变异和混沌扰动算子,平衡了搜索的高效性和种群的多样性;第二,利用Im-SFLA优化SVM的参数,提出了一种Im-SFLA-SVM方法;第三,分析了烦躁等实用语音情感的声学特征,重点分析了基音、短时能量、共振峰和混沌特征随情感类别的变化特性,构建出144维的情感特征向量并采用LDA降维到4维;最后,在实用语音情感数据库上测试了算法性能,将提出的算法与混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)优化SVM参数的方法(SFLA-SVM方法)、粒子群优化(Particle Swarm Optimization,PSO)算法优化SVM参数的方法(PSO-SVM方法)、基本SVM方法、高斯混合模型(Gaussian Mixture Model,GMM)方法和反向传播(Back Propagation,BP)神经网络法等进行对比。实验结果表明,采用Im-SFLA-SVM方法的平均识别率达到77.8%,分别高于SFLA-SVM方法、PSO-SVM方法、SVM方法、GMM方法和BP神经网络法各1.7%,2.7%,3.4%,4.7%,7.8%,并且对于烦躁这种实用情感的识别率提高效果最为明显,从而证实了Im-SFLA是一种有效的SVM参数选择方法,并且Im-SFLA-SVM方法能显著提升实用语音情感的识别率。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

改进灰狼优化算法辨识光伏模型参数

针对标准智能优化算法辨识光伏(photovoltaic,PV)模型参数时存在准确度低、可靠性差和易出现早熟收敛的缺点,提出了一种改进的灰狼优化(improved grey wolf optimizer,IGWO)算法用于辨识PV模型参数。利用S型曲线的特点设计了一种基于S型函数的非线性调整控制参数a策略,以平衡算法的全局勘探和局部开采能力;以一定概率对当前最优决策层个体执行反向学习策略,帮助群体跳出局部最优。选取4个复杂函数测试IGWO算法的性能,利用实际光伏模型测量数据对IGWO算法进行检验。结果表明,IGWO算法相比其他算法,能更准确且稳定地辨识PV模型参数。