基于灰色关联与神经网络的瓦斯含量预测研究

为了解各影响因素对煤层瓦斯赋存规律的影响,准确预测煤层瓦斯含量,在分析潘一东勘探钻孔资料的基础上,基于灰色关联分析了影响13-1煤层瓦斯含量的各因素,确定了煤层埋深、顶板岩性、煤层厚度和地质构造是影响煤层瓦斯含量的主要因素;利用神经网络方法建立了煤层瓦斯含量预测模型,结合实际数据,对预测模型进行训练与检验。结果表明：预测精度较高,验证了基于灰色理论与神经网络预测模型的可靠性。     

基于粒子群算法和BP神经网络改进的灰色电力负荷预测研究

灰色预测模型被广泛运用于电力负荷预测中,取得了较好的效果,但是灰色预测模型在实际应用中的缺点和局限性导致其预测精度有待提高,存在改进的必要。本文对于灰色预测模型的改进,分别从优化初值和改进模型等方面进行,从而提高普通灰色GM（1,1）模型的预测精度。对初值的处理可以削弱异常值的影响,强化趋势,从而避免由于初值选择不当而造成预测误差。本文中对模型的改进主要通过建立等维新息预测模型、灰色粒子群组合预测模型和灰色BP神经网络组合预测模型来实现。通过这些对灰色预测模型的修正和改进,进一步提高了灰色预测模型的适用性．最大限唐妯提高了灰乍．GM（1,1）模型的预测精唐．     

基于粒子群BP神经网络的短期电力负荷预测

电力负荷预测通常采用神经网络方法,该方法训练时间较长,并且由于负荷受到气象因素影响,该算法预测的精度不是很高.为了克服当前存在的问题,采用粒子群算法优化BP神经网络的权值和阈值,归一化处理气象因素,利用神经网络预测短期电力负荷.实验结果表明,该方法比单纯BP神经网络预测具有明显优势.     

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.     

多子群粒子群集成神经网络

为了使参加神经网络集成的个体差异度较大,从而提高网络集成的泛化能力,本文提出一种新的基于多子群粒子群算法的神经网络集成方法.每个子群通过补充差异度独立训练出一批神经网络,从每个子群中选择一个最优个体参加网络集成,实验使用了UCI标准数据集.实验证明,该算法的识别能力要好于Boosting、Bagging等传统方法.     

基于改进粒子群小波神经网络的智能变电站网络流量预测

智能变电站过程层网络流量一旦发生异常,将直接影响继电保护动作的可靠性、快速性和灵敏性,然而目前缺乏针对智能变电站网络流量异常预警的方法.基于此,提出一种基于改进粒子群小波神经网络的网络流量预测模型,为智能变电站网络性能分析预测、网络故障和病毒入侵预警提供决策依据.分析智能变电站网络流量的特点,对流量数据进行归一化处理,建立小波神经网络预测模型,利用粒子群优化算法对传统的小波神经网络模型的网络结构和参数进行优化.在实际智能变电站运行环境中的实验表明,所提模型预测精度高,收敛速度快,提高了智能变电站网络流量预测的准确性和快速性,保障电网安全运行.     

结合粒子群算法的小波神经网络交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的小波神经网络交叉路口短时交通流量预测方法,利用粒子群算法优化小波神经网络的模型参数,通过定义可变的加速因子,使粒子群算法有利收敛于全局最优解.将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点.实验仿真结果说明,该算法可以有效提高预测精度,减少预测误差,并且很好的反映了交通流的特点.     

基于粒子群优化BP神经网络的采煤机可靠性预测

为研究采煤机在截割过程中的可靠性,通过粒子群算法对BP神经网络进行优化改进,建立采煤机可靠性预测模型。采用高斯型隶属度函数,构建材料应力-结构可靠度之间的隶属函数,通过正交仿真实验确定具有代表性工况下采煤机整机的可靠度,以实验结果建立学习样本,对预测模型的准确度进行检验,结果表明,预测结果与实验结果最大相对误差为2.61%,满足精度要求。利用预测模型对采煤机在不同牵引速度和截深条件下截割不同硬度煤层的可靠度进行分析,找出采煤机可靠度随三者的变化规律:随着煤层硬度以及牵引速度增加,可靠度降低幅度变大;随着截深增大,可靠度降低幅度逐渐趋于平缓。     

基于粒子群—小波神经网络的短时交通量预测

针对短时交通量的非线性和时变性,提出一种基于粒子群—小波神经网络的预测方法。该方法以前馈多层感知器的神经网络拓扑结构为基础,将预测误差反向传播,经粒子群优化算法对神经网络连接权值进行修正。隐含层神经元选择Morlet母小波基函数作为激活函数,利用小波分解分离短时交通量的高频部分和低频部分,防止高低频数据之间的过度影响,进一步提高预测的精度。根据最简化结构概念对神经网络结构进行泛化,确定最优网络结构,提高预测的速度。通过实例预测显示,该方法预测精度高,预测速度快,能够满足实际工程的要求。     

基于粒子群优化算法的小波神经网络

针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将该方法应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

基于改进粒子群优化神经网络的房地产市场预测

针对粒子群优化算法精度不高、容易陷入局部最优、难以满足房地产市场形势需求的问题,提出一种改进粒子群优化神经网络,并应用于房地产市场预测中,该算法将混沌引入粒子群优化神经网络算法权重和阈值的初始化与更新的过程,提高了初始样本的质量,减轻了局部极值现象,提高了算法的全局搜索能力,同时设置了躲避因子,使粒子一定程度上离开偏离真实值的区域。研究结果表明,提出的改进算法可以提高粒子群优化神经网络权重和阈值的准确性。     

基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。     

A fuzzy neural network evolved by particle swarm optimization

A cooperative system of a fuzzy logic model and a fuzzy neural network(CSFLMFNN)is proposed,in which a fuzzy logic model is acquired from domain experts and a fuzzy neural network is generated and prewired according to the model.Then PSO-CSFLMFNN is constructed by introducing particle swarm optimization(PSO)into the cooperative system instead of the commonly used evolutionary algorithms to evolve the prewired fuzzy neural network.The evolutionary fuzzy neural network implements accuracy fuzzy inference without rule matching.PSO-CSFLMFNN is applied to the intelligent fault diagnosis for a petrochemical engineering equipment,in which the cooperative system is proved to be effective.It is shown by the applied results that the performance of the evolutionary fuzzy neural network outperforms remarkably that of the one evolved by genetic algorithm in the convergence rate and the generalization precision.     

基于模糊神经网络的水泥强度预测

利用软计算技术预测水泥强度不但是一项新的尝试，而且具有较高的理论和应用价值。本文利用模糊神经网络良好的非线性逼近能力建立了水泥强度的模糊神经网络预测模型。模糊神经网络的学习算法采用的是快速的粒子群优化算法。仿真结果表明，该模型在预测水泥28d强度方面达到了很高的精度，有较好的实用价值。     

改进的粒子群动态过程神经网络及其应用

为克服前向过程神经网络收敛速度慢、精度低的问题,本文提出了一种基于改进的粒子群动态过程神经网络(IDPNN)。对于给定的全连接的过程神经网络,通过IPSO优化其连接权值和网络结构删除冗余连接使之成为部分连接的过程神经网络系统,从而降低了计算成本。将经过IPSO训练的动态过程神经网络应用于Iris模式分类问题,结果表明,改进的粒子群动态过程神经网络具有较高的收敛速度和精确性。     

A hybrid particle swarm optimization approach with neural network and set pair analysis for transmission network planning

Transmission network planning (TNP) is a large-scale, complex, with more non-linear discrete variables and the multi-objective constrained optimization problem. In the optimization process, the line investment, network reliability and the network loss are the main objective of transmission network planning. Combined with set pair analysis (SPA), particle swarm optimization (PSO), neural network (NN), a hybrid particle swarm optimization model was established with neural network and set pair analysis for transmission network planning (HPNS). Firstly, the contact degree of set pair analysis was introduced, the traditional goal set was converted into the collection of the three indicators including the identity degree, difference agree and contrary degree. On this bases, using shi(H), the three objective optimization problem was converted into single objective optimization problem. Secondly, using the fast and efficient search capabilities of PSO, the transmission network planning model based on set pair analysis was optimized. In the process of optimization, by improving the BP neural network constantly training so that the value of the fitness function of PSO becomes smaller in order to obtain the optimization program fitting the three objectives better. Finally, compared HPNS with PSO algorithm and the classic genetic algorithm, HPNS increased about 23% efficiency than THA, raised about 3.7% than PSO and improved about 2.96% than GA.     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于粒子群脊波神经网络的飞机目标识别

针对传统的基于梯度的脊波神经网络训练算法存在效率低、网络规模大、后期容易震荡等缺点,提出了一种粒子群网络训练算法,网络结构采取逐步递增隐层神经元的方法加以确定,对粒子群个体参数取不同的位置边界,并对粒子飞行速度进行限制,在合理设定粒子群算法各参数值的情况下实现了网络快速而有效的训练.仿真试验将该网络用于6类空中飞机目标的识别,并与传统的识别手段进行了比较,结果表明粒子群算法训练的脊波神经网络具有规模小、学习和泛化能力强、网络可控性好等优点.