粒子群算法优化神经网络结构的研究

针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法（DePSO）和二进制粒子群优化算法（BiPSO）,同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。     

优化的神经网络在模拟电路故障诊断中的应用

在检测和诊断模拟电路的故障中,为了解决传统的BP神经网络初始权值和阈值是随机选取的,容易陷入局部最小值,出现不收敛或收敛速度慢的缺点,文中提出了采用粒子群算法来优化传统BP网络的方法。首先利用粒子群算法优化BP神经网络的初始权值和阈值,然后再由改进的BP算法进行训练仿真。通过和在单一改进BP算法下训练的诊断仿真结果进行对比,可以发现通过粒子群算法优化后的神经网络改善了网络不收敛的缺陷,在训练速度以及诊断正确率上都有所提高。     

基于粒子群优化BP神经网络的高校科研管理评估研究

针对高校科研管理部门面临的科研绩效评估问题,提出一种基于粒子群优化的BP神经网络评估模型。该模型采用粒子群算法优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。分别使用10个科研指标、绩效评价值作为神经网络的输入和输出,并以多个高校历年科研管理数据为训练和测试样本进行验证分析。神经网络预测模型具有较快的收敛速度和较高的预测精度。     

基于优化神经网络的音乐分类模型研究

为高效、精准地判断音乐风格归属,帮助用户快速获取偏好音乐风格,基于群智优化神经网络构建音乐风格分类模型。提取音乐样本的音质、节奏、旋律特征作为模型训练样本输入BP神经网络,通过初始化、隐含层及输出层计算、权值计算等步骤完成神经网络模型训练。采用粒子群算法确定神经网络的最优权值与阈值,粒子群算法首先编码神经网络权值与阈值,其次计算粒子适应度值,更新粒子速度和位置,符合终止条件时输出神经网络的权值与阈值优化结果,并据此构建基于群智优化神经网络的音乐风格分类模型。模型测试结果表明,所提模型在正确区分不同音乐风格的同时,展示了音质、节奏、旋律等特征。     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.     

基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法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,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

PSO-BP神经网络在语音干扰效果评估中的应用

为了克服BP神经网络在连续语音数据干扰效果评估过程中存在的弊端缺陷,提出一种利用粒子群优化算法神经网络的客观语音干扰效果评估方法。该方法利用Mel倒谱技术提取所得的连续语音数据特征参数作为模型输入,再通过粒子群优化对BP神经网络的初始权系进行多点优化,建立了粒子群算法优化的BP神经网络模型,通过优化后的神经网络模型实现输入值到对应主观评价MOS证,对比表明,粒子群算法优化后的BP神经网络模型,其收敛速度较传统BP在4%以内,模型相关系数和标准差更加接近理想参数。     

基于PSO-BP神经网络的光纤传感器光强补偿

基于反射式强度调制光纤传感器在测量实验过程中易受周围环境影响造成光源波动以及对探头的欺骗,提出了一种补偿措施,使用粒子群(PSO)优化反向传播(BP)神经网络算法补偿传感器获得光功率值,该算法不仅利用了PSO的寻找粒子群体的最佳位置的搜索性能,还利用了BP算法比较强的局部最优权值阈值搜索性能,粒子群算法优化反向传播神经网络的权值和阈值,从而达到防止反向传播神经网络陷入局部最优的情况。实验中利用光纤探头内圈光纤和外圈光纤接收的光功率值分别对PSO-BP神经网络和反向传播神经网络进行训练,结果表明PSO-BP神经网络的均值误差小于BP神经网络的均值误差,说明其光强补偿的精度更高,该算法能更加有效地减少周围环境影响以及光源波动对光纤传感器光纤接收的影响,有较好实际应用价值。     

基于HPSO-BP神经网络融合的隧道照明功率预测

针对当前高速公路隧道照明存在的过度照明问题,采用一种混合粒子群算法和BP神经网络相结合的联合优化算法实时预测所需LED功率。该算法优化了神经网络的初始权值和阈值,克服了种群易陷入局部极小的缺点,同时也加快了收敛速度,将优化好的神经网络用于预测LED功率减小了误差。具体措施是将由传感器实时采集的洞外亮度、车流量及其车速、能见度作为照明控制系统的输入量,经过计算所得的隧道照明的调光值作为照明控制系统的输出量,搭建一个4个输入1个输出的控制模型,用混合粒子群优化神经网络对监控数据进行训练分析,拟合输入输出的关系,最终实现实时预测调控的目的。以赣州市尖峰岭隧道的真实数据进行设计,Matlab仿真结果表明,基于HPSO-BP神经网络算法比传统BP神经网络算法在预测精度和收敛速度性能上表现得更加优秀,可以达到实时预测调控的要求,减少了照明能耗。     

基于优化神经网络算法的电离层foF2预测

为了提高基于反向传输（back propagation,BP）神经网络的电离层f_oF₂预测的精度,采用了一种改进粒子群优化神经网络的方法,对BP网络的初始权值进行优化,防止出现神经网络训练中的局部最优.通过比较基于粒子群优化的神经网络预测结果与遗传算法优化的神经网络预测结果,我们发现对于BP神经网络,两种方法都有很好的性能.此外,和电离层经验模型国际参考电离层模型（international reference ionosphere 2016,IRI2016）结果进行对比,结果表明,本文提出的自适应变异粒子群（adaptive mutation particle swarm optimization,AMPSO）优化神经网络能有效提高f_oF₂的预测精度,并在低纬地区有更好的预测效果.     

粒子群优化的小波网络在飞参数据压缩中的应用

飞参数据压缩是减少飞参数据的存储空间和传输通信流量的关键。针对飞参数据的特点,提出了一种基于粒子群优化的小波神经网络近无损压缩算法。该算法将小波网络参数作为原始数据的重构信息,在小波神经网络BP算法的基础上,引入粒子群优化算法,克服了粒子群优化算法的早熟收敛,增强了小波神经网络学习算法的全局搜索能力,提高了网络收敛速度;同时将重构误差作为启发信息,在保证较小失真度的情况下,通过粒子的迭代寻求最优的小波神经网络结构。飞参数据压缩仿真实验结果表明了算法的可行性和有效性,可以获得较高的压缩比和较小的重构误差。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。     

微型近红外光谱仪在苹果糖度测量中的应用研究

为了评估微型近红外光谱仪应用于现场水果糖度检测的可行性, 采用粒子群算法结合反向传播(BP)神经网络建立了苹果糖度的无损高精度快速检测方法, 研究了微型近红外光谱仪NIRscan以单波长和阿达玛变换两种测量模式获得的光谱数据, 应用多种不同的数据预处理方法和多元线性回归、偏最小二乘法、粒子群算法(PSO)、BP神经网络等算法建立分析模型。结果表明, 以阿达玛变换工作模式测得的光谱数据更好, 以1阶导数结合Savizky-Golay平滑算法作数据预处理, 应用PSO结合BP神经网络建立的苹果糖度预测模型具有更高的预测精度, 预测相关系数和均方根误差分别为0.9911和0.1502。该微型近红外光谱仪NIRscan用于苹果糖度的现场快速和高精度无损检测具有可行性。     

基才PSO—BP神经网络的PID控制器参数优化方法

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题,结合BP神经网络自学习和自适应能力强等特点,提出采用BP神经网络优化PID控制器参数。其次,为了加快BP神经网络学习收敛速度,防止其陷入局部极小点,提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后,给出了PSO—BP算法整定优化PID控制器参数的详细步骤和流程图。并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。     

PSO算法优化BP网络的新方法及仿真实验

 提出一种基于粒子群算法优化BP网络的权值调整新方法.该算法在基本BP算法的误差反传调整权值的基础上,再引入粒子群算法的权值修正,从而建立了基于粒子群算法优化的BP网络新模型.此模型不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且模型的精度较高,较好地提高了BP网络学习能力与泛化能力.将新模型应用于4个典型复杂函数的仿真实验,并与基本BP模型、基于遗传算法优化的BP网络模型(GA-BP)和传统的粒子群优化前向BP网络模型(PSO-BP前传)的仿真实验结果进行分析比较.仿真实例表明新PSO-BP优化模型性能尤其是泛化性能优于其它3种BP网络优化模型.     

粒子群优化BP-PID的矿井提升机调速系统

传统PID控制器在矿井提升机变频调速系统应用中,由于控制参数固定且不易整定,导致电机转速超调大、电磁转矩和转子磁链脉动大,进而出现矿井提升机调速系统控制效果差的问题。针对这一问题,文中提出一种改进粒子群优化BP神经网络PID控制器的算法。由于BP神经网络算法存在收敛速度慢和极易陷入局部最优的缺点,现将粒子群算法收敛速度快和全局最优特性与神经网络结合,并通过设计神经网络收敛系数进一步加快收敛速度。仿真结果表明,粒子群优化的神经网络控制效果比神经网络好,且效果明显优于传统PID控制器;相较于神经网络PID控制器,矿井提升机转速调节系统稳速调节速度明显提高;与传统PID控制器相比,电机电磁转矩和转子磁链脉动明显降低,具有较强的稳定性和鲁棒性。