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。     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

矩形微带天线谐振频率的粒子群神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.文章提出一种改进的前向神经网络模型,该模型采用粒子群优化算法进行训练,网络结构可以根据被建模问题的复杂程度进行自适应调整,进而得到泛化能力好的神经网络.通过这种改进的粒子神经网络对矩形微带天线的谐振频率进行建模,得到的结果明显优于该问题已有文献的结果,可见这种粒子群神经网络对此问题的有效性.基于粒子群神经网络的矩形微带天线谐振频率模型可以明显提高微带天线的计算机辅助设计水平.     

微带天线谐振频率的小波粒子群小波神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败。本文基于改进的小波变异粒子群优化算法该算法的小波神经网络对矩形微带天线的谐振频率进行建模,可以有效地提高神经网络的建模精度。仿真试验表明,改进的小波变异粒子群优化算法是一种有效的方法,可以有效提高小波神经网络的泛化能力,基于该算法所建立的微带天线的谐振频率模型好于此问题的已有结论。     

基于粒子群优化的神经网络算法在辐射源特征聚类中的应用

战场辐射源识别已成为电子侦察和雷达威胁告警的基本要素,其关键技术之一——辐射源特征聚类算法的研究也显得日益重要。在分析常用误差反传（BP）网络算法对辐射源特征聚类的不足后,提出利用基于粒子群优化的神经网络算法对多特征参数进行聚类。通过比较该优化算法和传统BP网络算法在聚类正确率和收敛速度方面的差别,验证了基于粒子群优化的BP算法在辐射源特征聚类中相对于传统BP算法的优越性,仿真结果证明了该方法具有较好的实用价值。     

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优化RBF神经网络的MEMS陀螺温度补偿

针对微电子机械系统(MEMS)陀螺温度变化影响其零偏误差的问题,提出了一种基于粒子群优化(PSO)和径向基函数(RBF)神经网络的陀螺零偏补偿方法.通过RBF神经网络对预处理后的陀螺零偏的温度误差建立模型,用PSO 搜索RBF神经网络的最优参数来提高其泛化能力后,将PSO-RBF神经网络最优参数用于补偿陀螺零偏.实验结果证明了该算法的有效性,经PSO-RBF神经网络算法补偿后,MEMS陀螺零偏的最大误差从0.046(°)/s减小到0.003 4(°)/s,标准差从0.042 7(°)/s减小到0.001 3(°)/s,有效提升了陀螺的零偏稳定性.     

基于量子粒子群优化的BP神经网络的汽轮机振动故障诊断研究

为了提高汽轮机诊断系统的诊断速度与精度,提出了将量子粒子群算法和BP神经网络相结合的故障诊断方法。用量子粒子群算法来训练网络的权值和阈值,再将优化后的权值和阈值代入BP网络,进行故障诊断。实例证明,它是一种高效,可靠的诊断方法。     

粒子群优化神经网络的体育动作识别

为了提高体育动作识别的准确性,提出一种粒子群优化神经网络的体育动作识别模型。首先采用背景差法对体育视频图像处理,获得体育动作轮廓,实现体育动作分割,然后提取体育动作的特征,并对特征进行核主成分分析,最后采用BP神经网络对特征向量进行训练,并通过粒子群优化算法选择BP神经网络参数,建立体育动作识别的分类器。测试结果表明,该模型提高了体育动作的识别率,降低了误识率,可以满足体育动作的在线识别要求。     

基于粒子群与神经网络的光伏逆变器设计

PI控制具有结构简单、鲁棒性好、可靠性高等优点,但其参数的整定较为困难,并且在光伏发电这种系统复杂的非线性情况下,无法较好地跟踪系统变化。针对上述问题,建立并分析了逆变器的模型,在此基础上提出一种基于粒子群与神经网络相结合的逆变器控制算法,以绝对误差和与总谐波畸变率作为约束条件,对系统进行离线寻优,得到最优PI参数的样本。利用神经网络对样本进行训练,得到系统的逆模型,对变化的负载进行补偿,从而使输出能较好地跟随系统变化。系统仿真与实验结果表明,该方法可以有效地提高光伏逆变器的动态响应速度,并降低输出电压的谐波含量。     

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。     

中心粒子群优化算法

在线性递减权重粒子群优化算法(LDWPSO)中提到了中心粒子这一概念,进而提出了中心粒子群优化算法(中心PSO)。在线性递减权重粒子群优化算法中,中心粒子不像其它一般的粒子,中心粒子没有明确的速度,并且被始终置于粒子群的中心。此外,在神经网络训练算法中比较中心粒子群优化算法和线性递减权重粒子群优化算法,结果表明:中心粒子群优化算法的性能优于线性递减权重粒子群优化算法。     

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CSAPSO-BP神经网络的光纤陀螺温度补偿研究

光纤陀螺是惯导系统的重要组成器件,环境温度变化会造成光纤陀螺的零偏发生漂移,从而降低测量精度。运用传统的BP神经网络进行预测易陷入局部极小值,导致补偿失败。该文采用混沌模拟退火粒子群BP神经网络的光纤陀螺零偏温度补偿模型,优化了网络参数。通过在-40～60℃的升降温实验对模型进行验证,实验结果表明,该温度补偿模型的零偏稳定性比补偿前约有70%的精度提升,与以往BP模型相比,其预测性能和补偿效果更好。     

基于粒子群优化模糊小波网络的目标威胁评估

主要对不确定性环境下的空中目标威胁评估问题进行研究。首先通过模糊神经网络处理信息不确定问题,在获取威胁目标信息较少的环境下,使用小波神经网络增强网络自学习能力,并分析威胁因素,创建不确定性环境下的模糊小波神经网络(FWNN),实现对目标威胁的评估;然后针对初始参数的不确定性问题,采用粒子群优化算法和BP算法更新每个模糊规则后件部分的参数,以达到提高评估效果的目的。仿真结果表明,与模糊小波神经网络相比,该算法提高系统的稳定性,加快收敛速度,增强预测精度。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

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。     

基于神经网络和粒子群算法的MC-CDMA多用户检测

MC-CDMA系统是干扰受限系统,存在多址干扰。本文提出一种基于神经网络和粒子群算法的MC-CDMA多用户检测方法。在粒子位置更新中,随机选择部分粒子作为Hopfield神经网络的神经元组成的个体,进行神经网络的更新;其他粒子仍采用原粒子群算法的位置更新策略,从而能加快粒子群算法的收敛速度以及降低计算复杂度。仿真表明在算法参数相同时,该多用户检测方法在误码率、收敛速度、系统容量、抗远近能力等方面都优于基于粒子群算法的多用户检测和基于神经网络的多用户检测,更加逼近于最佳多用户检测的性能。