基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于粒子群的BP神经网络算法在猪等级评定中的应用

现有的在猪等级评定中应用的BP神经网络算法存在对初始权值敏感、易陷入局部最小值等缺陷,从而导致预测精度不高、收敛速度慢的状况。针对该问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法。先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。与传统BP神经网络相比,该方法预测精度高、收敛速度快,可以有效地运用到猪等级评定中。     

大学生个人信用评价模型

首先改进萤火虫算法的初始种群与移动步长,并用来优化BP神经网络初始权值与阈值参数,以构建IGSO-BP神经网络协同集成学习算法。建立基于该学习算法的大学生个人信用评价模型,Matlab仿真验证了模型的可行性。     

改进果蝇算法优化BP神经网络预测汽油辛烷值

针对BP神经网络存在预测精度不佳、预测结果不稳定的问题,提出改进果蝇算法优化BP神经网络(back propagation neural network)预测模型。将混沌映射、判别因子与变步长机制引入果蝇优化算法(fruit fly optimization algorithm, FOA)中,得到改进后的自适应混沌果蝇优化算法(fruit fly optimization algorithm with chaos and discriminant factors, CDFOA),并利用测试函数对算法进行性能验证。利用CDFOA优化BP神经网络的初始权值与阈值,构建基于CDFOA优化BP神经网络对于汽油辛烷值的预测模型CDFOA-BP。将采集到的60组汽油数据输入预测模型进行测试分析。预测结果表明,与FOA-BP模型、PSO-BP模型、SSA-BP模型和BP神经网络模型相比,CDFOA-BP模型在预测精度与预测稳定性上均优于其他4种模型,验证该模型的有效性与可行性。     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法（GA-SAPSO）对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明：所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法（sparrow search algorithm,SSA）优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了 0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。     

一种BP神经网络改进算法的研究

为提高神经网络传统BP算法的训练速度,以3层神经网络为例,通过对权值的分析与优化,推导出改良的BP算法——双权值迭代优化法,并对该算法与传统算法进行了比较,通过比较发现,新算法在保证精度的前提下可节省训练时间,同时对该算法特点进行了总结。     

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题,提出了一种新的将BP算法和GS算法相结合的杂交学习算法,其中GS算法对隐层到输出层的权值和阈值进行学习,BP算法用于输入层到隐层权值的学习,并给出一种最佳的隐层节点数的选取方法．仿真实验表明,该杂交学习算法具有学习速度快且能获得全局最优解的特点,并可有效地对学习过程中出现的病态情况进行求解,具有良好的普适性。     

一种结合改进遗传算法和BP神经网络的图像压缩算法

针对LM（Levenberg—Marquardt）算法的缺陷,提出一种使用改进的遗传算法和LM算法优化神经网络的混合学习算法（GA-LMbp）。该算法先通过改进的遗传算法粗调得到一组全局最优近似解（即BP网络的初始权值和阈值）,再以该近似解为初值,用LM算法优化BP网络进行图像压缩处理。实验结果表明,新算法提高了网络的学习能力和收敛速度,避免了LMbp陷入平坦区或局部极小值。     

基于切片模型的快速混合学习算法

针对传统BP神经网络训练收敛速度慢、易陷入局部极小点的问题,将遗传算法与误差放大的BP学习算法相结合,提出基于切片模型的快速混合学习算法.该算法通过将传统神经网络的训练过程划分为许多小的训练切片,并利用遗传算法的并行寻优特性,对采用误差放大的BP训练过程进行监督.通过及时发现收敛速率较快的个体和过滤陷入局部极小点的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真实验表明,该算法在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.     

基于神经网络优化法的故障诊断应用研究

在机械设备的故障诊断中，常采用BP网络算法对故障进行诊断计算，但由于BP网络易于收敛于局部极小点，且在初始参数与网络结构选取不当时。网络将出现发散现象．为此提出了将神经网络优化算法应用于汽轮发电机组的故障诊断中，实现了神经网络权值和阈值的快速计算，并以汽轮发电机组的故障诊断为背景。将两种算法的结果进行比较，证明该方法比BP算法精度高且收敛速度快、可靠性好．     

基于Zernike矩和PSO算法的摄像机神经网络标定

提出了一种新的基于Zernike矩和粒子群(PSO)算法的摄像机BP神经网络标定方法。首先,利用Zernike矩和曲率不变性求取圆形标定模板中心的亚像素坐标,提高神经网络训练数据的精度;其次,利用PSO算法优化网络的初始权重和阈值,提高网络的收敛速度和泛化能力。实验结果表明,该方法在X轴和Y轴方向的测量误差小于0.06 mm,整个测试集均方根误差为0.194 mm,证明了该方法的有效性。     

遗传算法优化神经网络用于大气污染预报

大气污染预报可以对大气污染提出警示,保护人体健康和生活环境.为了对北京市PM10的质量浓度进行预报,建立了用于大气污染预报的遗传神经网络模型,该模型运用遗传算法优化神经网络的权值和阈值,有效提高了网络的收敛性和预报准确率.用改进后的神经网络对北京市PM10的质量浓度进行了模拟,并将模型模拟结果与美国第3代空气质量模型Models-3(CMAQ)的数值模拟结果进行了比较.实验结果表明:遗传神经网络模型和数值模型的模拟结果的平均相对误差分别为0.21和0.26,用于空气污染物质量浓度短期预报时,神经网络模型的预测精度与数值模型的预测精度相当.对于没有条件开展空气污染数值预报的城市或地区,神经网络是一种有效的替代方法.