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。     

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。     

基于改进的BP神经网络的彩信业务预测模型

彩信业务是一项重要的移动增值业务,但当前运营商的彩信运营却缺乏有效的系统支撑。文章重点研究了一种数据挖掘方法——BP神经网络——在彩信运营支撑中的应用,提出了混沌粒子群算法,并在此基础上改进了BP神经网络预测模型以用于彩信业务预测。     

应用于软件缺陷预测模型的量子粒子群优化BP算法

软件缺陷检测的主要目的是对程序模块中是否存在缺陷进行自动检测,以此有效促进软件的测试进程,使软件系统质量得到提高。针对传统软件缺陷预测模型的问题,提出在软件缺陷预测模型中使用粒子群优化BP算法。此模型使用粒子群优化算法对BP神经网络权值及阈值进行优化,通过交叉验证方法实现实验,并且同传统机器学习方法及BP神经网络等方法进行对比,实验结果表明提出的方法预测精准性比较高。     

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。     

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.     

基于混合PSO小波网络的网络异常检测

提出一种用新型的进化学习算法训练的小波神经网络(WNN).这种新型的进化学习算法是基于粒子群算法(PSO)和共轭下降法(CG)提出的.以往,将粒子群算法用于神经网络的训练一般是可行的.因为粒子群算法相比于其他的优化算法,具有相对简单的结构和快速的收敛速度,然而,由于粒子的搜索坍塌速度过快而导致粒子停滞这种潜在的危险.粒子的持续停滞使搜索结果很难达到全局最优,甚至会陷入局部最优.为了克服粒子群算法缺点提出了改进的混合算法.通过对KDD 99数据集的实验表明,利用新型混合算法训练的小波神经网络对于异常检测具有很高的异常检测率并且又较低的误判率.可见,该方法对于网络异常检测是有效的.     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

粒子群优化算法的研究现状与发展概述

粒子群优化算法(PSO)是基于群体智能的一种优化算法。该算法简单易于实现,可调参数少,得到了广泛的研究和飞速发展。介绍了PSO提出的背景、PSO的思想和原理,分析并总结了PSO的优缺点。根据PSO算法研究侧重点的不同,总结了PSO算法的发展现状及特点,分析并展望了PSO还需要完善或继续研究的问题,展望了PSO的研究热点及发展趋势。     

基于粒子群算法的车间作业调度问题

通过对车间调度问题的描述,针对传统算法寻优效率低的弱点,提出了一种基于粒子群算法的车间作业调度问题的解决方案.对粒子群算法的基本原理进行了阐述,并对粒子群算法的编码、参数的选择以及解码进行了研究,以最小化最大流程时间作为评价算法的性能指标,将其用于编程求解典型调度问题.仿真结果表明,粒子群算法在求解车间作业调度的应用上是十分有效的.     

改进混沌搜索的AMPSO-BP激光铣削质量预测

为了更好地控制激光铣削的质量,建立了激光铣削质量和铣削层参数的神经网络模型.针对神经网络易陷入局部极小值的缺点,提出混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立了AMPSO-BP激光铣削质量预测模型.最后以某种材料的激光铣削质量预测为例,将文中所提算法与PSO-BP、BP神经网络预测结果相...     

激光熔覆修复技术参数模拟优化分析

为提升激光熔覆修复技术的性能,提出激光熔覆修复技术参数模拟优化方法.通过分析激光熔覆技术工作原理及类型,确定激光熔覆修复技术参数.确定激光熔覆修复技术参数,引入BP神经网络方法,构建熔覆层形貌和激光熔覆修复参数之间的模型预测.采用粒子群优化算法,优化构建的激光熔覆修复参数预测模型,实现激光熔覆修复技术参数模拟优化.仿真...     

基于粒子群的图像检索相关反馈算法

 将粒子群优化算法的进化搜索过程与用户的反馈过程有效结合,提出了一种基于粒子群的图像检索相关反馈算法,避免了初始检索对用户认知的影响以及对反馈效果造成的局限性,并使得用户对检索目标的理解逐渐清晰,能够有效全面的搜索图片库,同时避免多次反馈造成的算法效率和检索效果之间的矛盾.通过实验验证了算法的有效性.     

粒子群算法在三维微带阵列优化设计中的应用

采用粒子群算法与微波仿真软件CST联合仿真的方法,针对拓展吸波带宽或降低吸波材料厚度的不同要求,通过设计不同的适应度函数,实现了对三维微带线阵列吸波结构材料的优化设计。设计结果表明,经过优化设计,吸波材料的吸波带宽可以增加30%,或在吸波性基本不变的条件下材料厚度减少15%。调节适应度函数中的权重,还可以有针对性地拓展吸波材料的频率低频段或高频段。所采用的计算流程可以全程自动进行优化处理。     

PSO算法优化BP神经网络的金融风险预警研究

金融危机是一个非线性的复杂过程,BP神经网络对非线性系统具有很强的模拟能力。针对BP神经网络有收敛速度慢、易陷入局部极小值和振荡等缺点,利用改进的PSO算法优化BP神经网络的权值和阈值,能有效地改善BP神经网络的缺点。对金融风险实例分析的结果表明,综合改进的BP算法相对于BP神经网络算法能明显加快网络的收敛时间,具有较快的收敛速度和较高的诊断准确度,用于金融风险预警是可行的,证实了该方法具有一定的实际应用价值。