混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.     

改进蚁群神经网络及其在滞后系统中的应用

针对热连轧监控AGC系统具有多变量、强耦合、非线性、大滞后及参数时变的特点,提出了一种改进蚁群神经网络,采用动态局部信息素更新和自适应调节信息素挥发的全局信息素更新相结合的方式对蚁群算法进行了改进。并利用改进后的蚁群算法对神经网络权值和阈值进行优化,利用优化后的神经网络对PID控制器参数进行整定。改进的蚁群算法稳定性好,寻优效率高,避免了神经网络参数陷入局部极小等问题,从而实现大滞后系统的优化控制。仿真结果表明,在监控AGC系统中,在对象的滞后时间发生变化的情况下,基于改进蚁群神经网络的优化控制系统具有动态响应速度较快,对外部扰动具有良好的鲁棒性,使控制品质得到很大的提高。     

城市交通路口短时流量预测

为了能够提升短时交通流量预测的性能及精度,在支持向量回归机算法基础上引入了经改进的粒子群算法做参数寻优。同时,针对短时交通流量具有不确定性和弱规律性等特点,本文通过对交通数据进行挖掘,得出相邻路口交通流量的时空关联性,构建出通过历史数据预测及结合时空关联性的预测模型。利用BP神经网络在线修正两者权值,让两者优势互补、实时更新。通过仿真实验表明:提出的预测模型可以达到预期结果,对短时流量的预测精度和性能都有所提高。     

基于ACS优化BP神经网络的交通流量短时预测方法

交通流量预测是智能交通系统中非常重要的研究领域,因为交通流量的复杂性,传统的预测方法不能很好地预测。提出一种基于[t]分布自适应变异优化的布谷鸟算法,通过动态变异控制尺度和设置多个自由度来构造自适应变异算法,可以获得优于高斯变异和柯西变异的整体优化效果。在此基础上,提出改进布谷鸟搜索算法优化神经网络的交通流量预测模型（ACS-BPNN）,通过优化BP神经网络的初始权值和阈值参数,以提高短时交通流量预测精度。仿真结果表明,该方法取得比较好的预测结果。     

基于混沌粒子群算法的神经网络短时交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的神经网络交叉路口短时交通流量预测方法;利用混沌粒子群算法对BP神经网络权值和阈值进行优化,克服易陷入局部极小和引起振荡效应现象,从而提高了网络的预测精度;实验仿真结果说明,与标准粒子群算法相比较,新算法可以有效提高预测精度,减少预测误差,最大绝对误差下降至12.15%,相对预测误差在10%以内的预测数据提高至57.5%,并且很好地反应了交通流的特点,是一种可行的预测方法.     

基于蚁群算法优化回声状态网络的研究

针对输出权值采用最小二乘法的回声状态网络(ESN),在随机选取输入权值和隐层神经元阈值时,存在收敛速度慢、预测精度不稳定等问题,提出了基于蚁群算法优化回声状态网络(ACO-ESN)的算法。该算法将优化回声状态网络的初始输入权值、隐层神经元阈值问题转化为蚁群算法中蚂蚁寻找最佳路径的问题,输出权值采用最小二乘法计算,通过蚁群算法的更新、变异、遗传等操作训练回声状态网络,选择出使回声状态网络预测误差最小的输入权值和阈值,从而提高其预测性能。将ACO-ESN与ELM、I-ELM、OS-ELM、B-ELM等神经网络的仿真结果进行对比,结果验证经过蚁群算法优化的回声状态网络加快了其收敛速度,改善了其预测性能,并增强了隐层神经元的敏感度。     

基于和声蚁群耦合算法的风电机组齿轮箱故障诊断

基于和声搜索和蚁群算法优化后的BP神经网络,提出一种风电机组齿轮箱故障诊断方法。将蚁群算法的信息素更新机制用于和声搜索算法中,提高和声搜索算法的收敛速度,并利用和声搜索算法的个体扰动策略和随机搜索机制改善蚁群算法过早收敛的问题。利用该方法对BP神经网络的权值和阈值进行优化,克服BP神经网络算法易陷入局部最优解的缺点,提高神经网络的训练效率和收敛速度。测试结果表明,该方法诊断结果正确且精度高,将经和声蚁群耦合算法优化后的BP神经网络用于风电机组齿轮箱故障诊断是有效的。     

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。     

小波消噪的神经网络短时交通流量预测模型

研究短交通流量预测问题,短时交通流量数据中含有大量噪声,对预测精度产生不利影响,为了提高短交通流量预测精度,提出一种小波消噪的神经网络短时交通流量预测模型。首先采用小波技术对短时交通流量数据进行消噪处理,然后采用关联维数确定BP神经网络输入变量个数,最后采用BP神经网络建立短时交通流量预测模型。仿真结果表明,与消噪前比,消噪后模型的预测精度有了较显著提高,其预测误差远远小于消噪前,预测结果更具实用价格。     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。