ACO-BP模型在某实验室热舒适预测中的研究

以热舒适指标PMV作为空调控制系统的控制目标,能够很大程度上实现舒适与节能的统一。基于此研究了一种蚁群神经网络预测分类模型,并给出了详细的设计步骤和部分Matlab设计代码,最后采用某大学实验室数据库中的夏天数据集进行了验证。结果表明,采用蚁群算法对BP神经网络进行整定后,不仅克服了BP算法容易陷入局部最优的缺点,也加快了蚂蚁的收敛速度,提高了热舒适预测分类的准确性。     

优化神经网络在多传感器火灾探测中的应用

针对BP神经网络在拟合过程中探测精度低、容易陷入局部最优的问题,提出一种基于遗传算法（GA）和模拟退火算法（SA）共同改进的BP神经网络模型,该网络模型可以有效提高火灾识别准确率,同时避免网络过拟合现象,使预测结果跳出局部最优从而达到全局最优。首先,通过GA改进隐藏层结构部分,然后通过SA改进连接权重部分,最后利用优化后的GA-SA-BP模型对火灾实验数据进行信息融合实现火灾探测。实验研究表明,对比单一BP神经网络,经GA和SA改进后的BP神经网络能够有效改善网络拟合能力,并提升火灾探测精度至98.91%。     

粒子群算法优化的BP网络在GNSS高程拟合中的应用

针对BP网络用于GNSS高程拟合存在收敛速度慢、易陷入局部最优等缺陷,采用粒子群算法(PSO)优化BP神经网络。通过合理选取网络的权值和阈值,对系统的参数进行有效优化,提高网络的泛化能力和拟合准确度。在顾及EGM2008重力场模型的基础上,采取“移去—恢复”策略,用粒子群算法优化的网络进行高程拟合,并与二次多项式曲面拟合法、多面函数法和BP网络拟合方法所得结果进行对比,经工程实例数据验证,结果表明粒子群算法优化的BP网络模型拟合精度更好,可靠性更高,拟合效果较BP网络模型提高了25%,明显优于其它拟合模型,可为高程拟合研究提供新的思路和方法。     

基于GA的BP神经网络在砂土液化评价中的应用

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。在探讨训练样本选取的基础上,耦合遗传算法和BP神经网络构建了遗传网络并应用于砂土液化的评价,通过与动量梯度下降算法改进的BP神经网络对比,表明了基于遗传算法的BP神经网络在砂土液化评价中的优越性。     

基于微粒群–BP神经网络算法的堆石坝坝体变形监控模型研究

将微粒群算法与BP神经网络算法相结合,建立基于微粒群–BP神经网络算法的大坝安全监控模型,解决传统神经网络存在的网络学习速度慢,且易于收敛到局部最优点等问题。经实例分析,该模型在用于建立大坝安全监控预报模型过程中,能更好地反映大坝应力变形的非线性问题,且在精度和速度上都有较大的提高,为实现实时在线分析评价大坝的安全性态提供了有力的技术支持。     

基于改进GAAA算法的BP神经网络管网故障诊断研究

为解决BP神经网络在供热管网泄漏诊断中收敛速度慢、易陷入局部极值的问题,提出一种改进GAAA算法,利用其对BP神经网络初始值和阀值进行了优化,而后通过故障诊断确定泄漏管段及泄漏点、进而确定泄漏量。试验结果表明,改进GAAA算法优化后的BP神经网络模型收敛速度快、诊断精度高,明显优于传统的BP神经网络故障诊断模型。     

粒子群神经网络在大跨钢结构挠度监测中的应用

针对传统BP神经网络拓扑结构不确定、收敛效率低、容易陷入局部最优解的缺陷,引入粒子群(PSO)算法替代BP神经网络中基于误差函数梯度下降的学习训练规则,构建了粒子群神经网络(PSO-BP)模型,并以重庆某大型场馆安全监测项目为例,通过对比分析验证了粒子群神经网络模型在大跨钢结构挠度监测中的可行性以及与传统BP神经网络模型相比在效率和精度方面的优越性。     

改进的BP神经网络在松花江干流水位预报中的应用

松花江干流水位受上游来水和水库调蓄等多因素的共同作用而表现出非线性响应,采用典型的3层BP神经网络模型来模拟松花江干流肇源、哈尔滨、通河、佳木斯和富锦5个代表站点水位。鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极小值等缺点,分别采用Levenberg-Marquart算法和基于遗传算法的BP算法来建立水位预报模型,并对预报结果进行了分析和比较。结果表明:两种算法收敛速度快,预报精度均能达到预报要求。特别是将遗传算法的全局搜索和BP网络局部精确搜索的特性有机结合,做到了优势互补,在河流水位预报方面有着广阔的应用前景。     

全局最优位置变异粒子群优化算法

针对粒子群优化算法的早熟收敛,容易陷入局部最优且搜索精度不高等缺点,在现有的粒子群优化算法的基础上对其进行了若干改进,提出了避免微粒群陷入局部最优的全局最优位置变异的粒子群算法,并与其他算法做了比较,体现了其优越性.     

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。