电动车用MH-Ni电池剩余电量的预测研究

蓄电池剩余容量为电动汽车可持续行驶提供有力的判据,因此,对它的准确估计具有重要意义。该文利用BP神经网络对剩余电量进行预测,采用试错法确定隐层节点数,尺度化共轭梯度反向传播算法对网络进行训练。通过对仿真结果的分析,发现网络出现了过拟合现象;通过引入BP网络学习能力和泛化能力的不确定关系,尝试建立新的网络;并对误差进行比较,取得最佳的泛化能力;进而对网络进行验证,证明新的网络是成功的。最后对进一步的研究提供思路。     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

改进BP算法在预测安全库存中的应用

针对标准BP算法收敛速度慢、容易陷入极小值的缺陷,利用附加动量项和变步长思想相结合的改进算法,建立三层BP网络模型对安全库存量进行预测,并与标准BP算法的预测结果进行比较,提高了网络收敛速度和预测准确度.     

HJPSO-BP算法在齿轮热处理预测中的应用

将HJPSO算法引入BP神经网络中并建立优化的BP网络模型,克服了标准BP网络在实际应用预测中易陷入局部极小点、收敛速度慢的缺点。通过本模型对汽车齿轮热处理进行了预测研究。研究结果表明优化后的BP网络比标准BP网络具有较高的预测能力和稳定性。     

基于遗传BP神经网络的短时交通流预测

为了预测未来一段时间的短时交通流,提出了一种利用BP神经网络进行预测的方法。将历史时刻的车流量作为网络输入,未来短时流量作为输出,采用单步预测。为了缩短收敛时间,避免陷入局部极小值,用遗传算法优化网络初始权值和阈值。对未优化与优化后的网络进行测试。实验证明,未优化的BP神经网络预测精度较低,且收敛时间较长;而遗传优化算法使预测精度及收敛速度得到极大改善,但样本的数量及质量是影响预测精度的关键要素。     

一种自适应遗传BP神经网络模型研究及应用

如何更有效地提高神经网络的收敛速度和收敛质量。基于遗传算法的全局搜索和BP神经网络局部精确搜索的特性,提出一种自适应遗传BP神经网络模型,该模型的主要算法是先采用一种自适应遗传算法优化BP网络初始权重。而后再进行BP网络的训练过程。最后并研究如何利用该模型进行三级跳远成绩预测。实验结果表明该方法优于传统BP算法。有利于提高网络的收敛性以及学习能力,可在一定程度上提高三级跳远成绩预测的准确率,具有一定的实用价值。     

基于BP神经网络的数据挖掘及在股价预测中的应用

对BP网络的拓扑结构及其结构的确定进行分析,时如何提高网络的泛化能力和网络模型的合理化进行研究,给出一些具体方法和建议.结合以上的分析,利用BP网络对股票价格进行预测,所得结果表明,只要选择合理的网络模型和结构,其预测能力是相当可观的.     

基于QPSO-BP的研究生报考人数的预测

QPSO是基于PSO的改进算法,具有全局搜索能力强,收敛速度快、鲁棒性高等特点。本文利用QPSO对BP网络的权值进行训练,再根据训练好的BP网络对近年来研究生报考人数进行了预测,仿真结果证明了其有效性。     

一种用于无线传感网络的支持QoS的PD-DWDBA算法及其优化

DBA算法大多是基于单波长情况而制定的，为了研究多波长的情况，提出基于预测的多波长动态带宽分配算法(PD-DWDBA)。考虑到网络中不同类型业务对网络时延和带宽的要求存在差别，对不同优先级的业务采取不同的分配方案，提出支持QoS的PD-DWDBA。以first-fit策略将带宽先分配给具备高优先级业务，确保高优先级业务获得所需带宽；利用WF-DBA策略对剩余各低优先级业务实施分配，利用BP网络模型完成各优先级业务的预测，实现带宽的分配功能。依次以丢包率、包延时、带宽利用率指标分析BP网络预测对网络性能提升的效果，实验结果证实网络服务水平显著提升。     

基于遗传算法的BP网络快速自适应性算法

分析了标准BP网络存在的问题。利用遗传算法 ,探讨了确定初始学习速率、动量项值和BP网络结构的快速自适应性算法 ,并将该算法应用于XOR问题的学习和地下井巷开挖中岩爆的预测。实验结果表明 ,基于遗传算法的BP网络快速自适应性算法 ,可以避免手工试算决定BP结构的弊端 ,并且优化后的BP网络具有较快的收敛速度和较强鲁棒性     

基于AHGA+BP的神经网络混合学习策略

在自适应递阶遗传算法(AHGA)中融入BP操作可以在对神经网络结构进行优化的同时,充分利用遗传算法的全局寻优能力在大范围内搜索可能的误差极值区域,并利用BP算法沿误差最速下降方向在极值点附近快速搜索,从而达到全局最优和快速搜索的有机结合。通过对混沌时序信号的预测,表明了混合学习策略在较大程度上改进了神经网络的学习性能和泛化能力。     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

基于PSO算法和BP神经网络的PID控制研究

针对PID控制中的参数整定的难点及基本BP算法收敛速度慢、易陷入局部极值的问题,提出利用PSO算法的全局寻优能力和较强的收敛性来改进BP网络的权值调整新方法,从而对PID控制的比例、积分、微分进行优化控制。该方法是在基本BP算法的误差反向传播的基础上,使粒子位置的更新对应BP网络的权值和阈值的调整,既充分利用了PSO算法的全局寻优性又较好地保持了BP算法本身的反向传播特点。仿真结果表明基于PSO算法的BP神经网络的PID优化控制具有较好的性能和自学习、自适应性。     

基于PSO和BP网络的粉状炸药配方的预测控制

BP神经网络具有良好的非线性处理能力,粒子群优化算法(PSO)提高神经网络的学习效率、保证神经网络全局收敛。针对粉状炸药配方控制系统中存在的强耦合、非线性及参数不确定等问题,建立一种基于粒子群和BP神经网络的炸药配方预测控制模型。仿真和现场运行结果表明,该配方控制系统具有良好的自学习和自适应能力,取得了良好的控制效果,满足实际生产要求。     

改进PSO优化RBF的网络安全态势预测研究

针对网络安全态势预测,为了提高预测精度和预测算法的收敛速度,采用一种改进的粒子群算法(PSO)来优化径向基函数(RBF)神经网络.首先,PSO的惯性权重因子按一条开口向左的抛物线递减,在保证全局寻优的同时又增强了局部搜索能力;其次,通过权重因子的调节自动寻优,并将搜寻到的全局最优值解码成RBF的网络参数;最后,通过优化的RBF网络进行网络安全态势预测.仿真实验表明,改进后的算法能较准确地预测网络安全态势.与BP算法和RBF算法相比,本文算法在预测精度上有所提高,同时收敛速度加快,能达到更好的预测效果.     

混沌粒子群优化神经网络算法应用于SRG建模

粒子群算法是解决非线性、不可微问题的一种优秀算法。利用混沌映射的随机性与遍历性,引入防早熟机制,加强了粒子群的全局搜索能力,但该算法仍然容易在进化后期出现速度变慢现象。BP神经网络具有很强的非线性处理能力和逼近能力,但BP算法是基于梯度下降的方法,存在容易陷入局部最优及初值敏感的缺点。将两种算法优势互补,构建了一种混沌粒子群优化BP神经网络（CPSO-BPNN）的算法。该算法应用到开关磁阻发电机（SRG）的非线性建模中,建模效果表明CPSO-BPNN算法的泛化能力很强,可以比较完美地表达开关磁阻发电机的磁链和转矩特性。     

基于遗传小波神经网络的白酒识别电子鼻

为研究不同品质白酒快速识别的电子鼻技术,利用自制的电子鼻采集四种白酒样品的气味数据,建立了BP神经网络分类模型。针对BP算法普遍存在的收敛速度慢、易陷入局部极小且网络参数需要人工设定的缺陷,提出一种将遗传算法的自适应全局优化搜索能力、小波分析的非线性逼近能力和BP算法自学习能力结合在一起的遗传小波神经网络白酒识别模型。仿真结果表明,与BP神经网络和小波神经网络相比,GA-WNN分类模型的收敛速度和分类准确率都得到了较大提高,可应用于白酒识别电子鼻。     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于自适应交叉与协方差学习的改进平衡优化器算法

针对平衡优化器算法存在的收敛精度低和易陷入局部停滞的问题,提出一种基于自适应交叉与协方差学习的改进平衡优化器算法。首先,构建外部存档来保留历史优势个体,增加种群多样性,以提高算法的全局寻优能力。其次,引入自适应交叉概率来平衡算法的全局探索能力和局部开发能力,以提高算法的寻优精度和鲁棒性。最后,采用协方差学习策略,充分利用浓度向量之间的关系来增强种群间信息交流,以避免算法陷入局部停滞。通过对CEC2019测试函数进行仿真实验,并将改进算法与反向传播（back propagation,BP）神经网络相结合用于预测新疆玛纳斯河的径流情况,实验结果表明,改进算法在收敛精度和鲁棒性方面有显著提升,且大幅提高了BP神经网络的径流预测效果。     

竞争算法优化BP神经网络性能研究

针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点，提出一种参数设置少，全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较，30次试验下竞争算法的平均值与最小值均优于粒子群算法，验证了该算法的有效性.用竞争算法优化BP神经网络，并对11个测试数据集进行分类，实验结果表明，用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法，且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率，增强鲁棒性.