基于粒子群优化BP神经网络的脉象识别方法

针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题,提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差,以此获得最优粒子的位置向量,并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO-BP算法和GA-BP算法的三种ANN模型用于脉象信号的识别。实验结果表明,在识别脉象时,优化后的算法降低了传统BP神经网络的输出误差,提高了识别精度,PSO-BP算法明显改善了传统BP神经网络的泛化能力。     

基于神经网络和粒子群算法的激光熔覆工艺优化

采用反向传播(BP)神经网络和粒子群算法相结合的方法对激光熔覆过程的工艺参数进行优化。运用BP神经网络建立熔覆带特征(熔覆带高度、熔覆带宽度)与熔覆工艺参数之间的预测模型,利用训练样本对所建立的网络进行训练,形成输入与输出之间的高度映射关系,在此基础上,使用粒子群优化算法对工艺参数进行寻优。试验结果表明,使用该方法优化得到的工艺参数进行加工获得的结果与预期结果有较小的误差,有利于获得预期的熔覆质量。     

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。     

基于改进粒子群优化算法nMOSFET寿命预测

对于电子器件寿命预测问题,文章提出了基于改进粒子群优化算法的BP神经网络电子器件寿命预测方法。首先对nMOSFET元件在不同应力条件下进行寿命试验,根据试验测试获得的寿命数据,得出对应的可靠性。文章通过结合改进粒子群优化算法和BP神经网络结合,建立电子器件寿命预测模型,应用该模型对相同应力条件的电子器件寿命进行预测,同时对应力加速条件下寿命的预测。通过试验证明,该算法具有更强的非线性拟合能力和更高的准确率。     

基于PSO?BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO?BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO?BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%。     

基于改进粒子群算法的预测电流控制

永磁同步电机预测电流控制存在依赖电机准确模型的缺点。在实际运行中,电机参数如电感、磁链等会发生变化,导致模型不准确,产生电流静态误差,进而影响控制效果。文中运用一种改进粒子群算法实现电机参数的在线辨识,以获得准确的模型,在此基础上实现预测电流控制,从而消除电流静态误差,同时对基本粒子群算法提出了两点改进:加入可变探测矢量能够使粒子向更广阔的解空间进行探索、使用反向学习策略能够帮助粒子跳出局部最优。     

优化粒子群算法在组合供热负荷预测中的应用

分析了粒子群算法和组合预测的特点。将组合预测和粒子群算法结合,建立了一种组合形式的供热负荷预测模型。同时针对粒子群算法易于陷入局部最优解、进化后期收敛慢等缺点对粒子群算法进行改进,解决了组合预测中权重难以确定的问题。改善了预测模型的拟合能力,提高了预测精确度。最后选取大庆油田某一天供热数据作为测试数据,结果表明组合预测误差较小,精确度高于其他单项预测方法40%以上。     

一种基于高维粒子群算法的神经网络结构优化研究

为克服传统BP神经网络在运算过程的不足,提出一种基于高维粒子群算法的神经网络优化方法。通过在高维PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,再将优化好的高维BP神经网络运用到交通事件自动检测中,通过检测训练算法,并对训练后的数据进行分类测试,把分类测试的结果与传统BP神经网络和经典事件检测算法比较。结果显示,经过优化后的高维粒子群BP神经网络的检测率、算法性能均优于BP神经网络算法和经典算法,其中97,50个测试样本中仅有2个测试样本与应该达到的数值不一致,其他样本都满足测试要求,并且平均优化测试时间是传统BP神经网络检测时间的一半,因此,优化后的BP神经网络算法的性能十分优越。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于随机森林回归分析的PM2.5浓度预测模型

针对神经网络算法在当前PM2.5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题,引入RFR(random forest regression,随机森林回归)算法,分析气象条件、大气污染物浓度和季节所包含的22项特征因素,通过调整参数的最优组合,设计出一种新的PM2.5浓度预测模型—RFRP模型.同时,收集了西安市2013-2016年的历史气象数据,进行模型的有效性实验分析.实验结果表明,RFRP模型不仅能有效预测PM2.5浓度,还能在不影响预测精度的同时,较好地提升模型的运行效率,其平均运行时间为0.281 s,约为BP-NN(back propagation neural network,BP神经网络)预测模型的5.88％.     

基于BP神经网络的温度预测方法

针对环境试验温度测量精度不高,测温延时较大的问题,提出了基于BP神经网络的温度预测方法。该方法通过测量瞬时温度变化率,利用BP神经网络的温度预测模型,对温度进行预测。在MATLAB中仿真表明,该方法对温度测量的精度有了明显的提高,对测温延时有了明显的改善。     

一种基于粒子群优化算法的混沌控制方法

提出了一种基于粒子群优化算法的神经网络控制混沌的方法。用粒子群优化算法来训练神经网络,利用训练好的神经网络作为混沌控制器,使混沌系统产生预期的运动。该方法无需了解被控系统的确切的动力学机制,实现方法简单。并对Logistic和Hénon映射进行了仿真,结果表明该方法能将系统控制到预定的轨道。因此,该方法能对混沌系统实施有效的控制,且能够应用于动力学模型未知而仅获得实验数据的情况。     

应用粒子群优化的绿色虚拟网络映射算法

绿色网络是近年来网络技术研究的热点,以节能为优化目标的虚拟网络映射算法成为基于网络虚拟化技术中资源分配研究的重点.提出了应用粒子群优化的绿色虚拟网络映射算法,重定义粒子群优化算法中的参数和粒子进化行为,以关闭底层网络节点和链路数量最多为适应度函数,在较低的算法复杂度条件下,获得绿色虚拟网络映射的最优解.仿真结果表明,与对比算法相比,静态环境下所提算法的运行时间大幅度降低;动态环境下所提算法的节点关闭率、链路关闭率、虚拟网络请求接受率均有所提升,算法运行时间也大大缩短.     

基于粒子群优化算法的数据中心网络流量调度策略

为解决当前数据中心网络存在链路负载不均衡及带宽资源浪费问题,提出了一种基于粒子群优化算法的流量调度策略.该策略结合软件定义网络控制器可获取全局网络拓扑信息的特性,依据当前链路带宽资源状况及网络流量的带宽需求建立目标函数.首先,根据流的源地址和目的地址找出最短路径集,通过定义粒子聚合度判断算法是否有陷入局部最优的趋势;然...     

基于混沌优化的双种群量子粒子群算法

提出了一种基于混沌优化的双种群量子粒子群算法(BCQPSO)。算法利用混沌序列随机生成两个种群,在子种群中惯性权重分别采用不同的更新策略,并通过种群间的融合和变异进行信息交互,提高了算法的收敛速度和解空间的遍历范围。仿真实验结果表明,所提算法具有很好的搜索能力和优化效率。     

基于遗传算法优化BP神经网络的风电功率预测

随着大量风电开始并入电网,风电场输出功率预测对接入大量风电的电力系统的运行有重要意义。针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度不高等问题,提出利用遗传算法对神经网络的拓扑结构和网络权值进行优化,并将其应用于风电场功率预测,研究表明预测精度有一定程度的提高。     

Contact plan design based on bi-directional particle swarm optimization in satellite network

Aiming at the problems of time-varying topology,intermittent connection,and constrained resource in satellite network,a contact plan design (CPD) scheme based on bi-directional particle optimization (BPSO) algorithm was proposed.Firstly,the task-based time-expanded graph (TEG) model was constructed through the analysis of resource-constrained time-varying satellite network.Next,available contact plan (CP) in satellite network were generated through initialization,coding and repairing by considering the discreteness of network topology and the limitation of node resources.Then,an evaluation function was designed according to the characteristics of the execution task to distinguish whether the generated available CP was good or bad.Finally,the bits to be corrected in the worst location were determined according to the sparse characteristics of links in CP,and the CP was continuously modified by the proposed BPSO algorithm to optimize the performance of spatial data transmission.The simulation results show that the proposed BPSO-based CPD scheme can effectively reduce the task delivery time and increase the task arrival rate.     

基于BP神经网络的光纤激光切割切口粗糙度预测

为了研究工艺参量对光纤激光切割切口质量的影响,进行了切割T4003不锈钢试验,分析了工艺参量与切口质量之间的关系。采用基于误差反向传播算法的人工神经网络,建立了激光功率、切割速率、辅助气体压力等工艺参量与切口粗糙度之间的预测模型。对切割试验采集的训练样本进行了网络训练,并利用测试样本对训练模型进行验证。结果表明,随着激光功率增加,切口粗糙度增大;随着切割速率和辅助气体压力增加,切口粗糙度减小。神经网络预测模型精度较高,网络训练效果良好,预测值与试验样本值间的最大相对误差为2.4%。训练后检验精度较高,检验样本最大相对误差仅为6.23%。该模型可有效预测激光切割切口表面粗糙度,同时为合理选择及优化工艺参量,提高激光切割质量提供试验依据。