判决反馈RBF信道均衡器的微粒群算法进化设计

本文在分析判决反馈RBF网络信道均衡器（DFIBFNE）的结构特点基础上,定义一个布尔向量L作为网络的结构参数,与原来DFRBFNE的隐节点参数集一起构成了新的DFRBFNE隐节点参数集{c,d,L},并给出了一个新的DFRBFNE网络输入输出关系表达式;采用一种混合协同微粒群算法同时对DFRBFNE网络拓扑结构和隐层节点参数进行优化设计,并将输出线性参数集分离后采用最小二乘法进行优化设计,简化了优化空间,加速了算法的收敛速度。     

一种RBF神经网络的混合学习算法在CPI中的应用

根据RBF神经网络最常用的OLS算法、K-均值聚类算法和梯度下降训练学习算法,提出了一种基于正交最小二乘K-均值聚类梯度下降优化的RBF神经网络的混合算法。该算法克服了单一某种训练方法的不足,发挥了混合算法的长处,进行了CPI预测的仿真实验。结果证明：该方法是有效实用。     

基于多种群协同进化微粒群算法的径向基神经网络设计

神经网络结构和权值的联合设计一直是神经网络进化设计的一个研究方向.本文根据基本微粒群算法的特点,借鉴递阶编码的思想,构造出一种多种群协同进化微粒群算法.该算法具有种群内个体微粒自由运动特征分量与种群运动特征分量分层递阶进化的特征,克服了标准微粒群算法在多峰函数寻优时出现的微粒“早熟”现象.应用该算法进行径向基神经网络隐层结构和径向基函数参数联合自适应设计,在非线性系统辨识中显示了比较好的收敛性和训练精度,同时也使网络的泛化能力和逼近精度这一对矛盾得到了比较好的协调统一.     

基于遗传微粒群混合算法的灰度图像增强

文中提出了一种基于遗传算法和微粒群算法的混合算法,该算法兼有遗传算法和微粒群算法的优点.混合算法以微粒群算法为主体,同时应用遗传算子操作来优化参数搜索,并引进了摒弃因子来调整微粒的随机性,最终得到最优值.本算法中交叉和变异算子采用了概率自适应策略,微粒群算法使用了动态惯性因子来控制微粒的速度更新.通过对标准试验函数的测试,与标准遗传算法及微粒群算法的结果比较,证明了该混合算法的有效性,并应用于图像增强处理,获得了较为满意的结果.     

一种多微粒群协同进化算法

受自然界共生现象的启发,将微粒群算法和协同进化相结合,提出了一种多微粒群协同进化算法。进化过程中,粒子不仅要与本子群的其他微粒交换信息,还要受其他子群体的影响。通过对三个标准函数优化的实验结果表明,此算法在一定程度上避免了陷入局部极值点并且提高了收敛精度。     

基于粒子群优化的RBF神经网络模型研究

在本文中,提出了采用粒子群算法来优化RBF神经网络,并建立了这种新的混合模型。在这个粒子群和RBF神经网络的混合模型中,粒子群优化算法应用于选择中心节点和隐藏节点的宽度以及输出向量方面,对RBF神经网络建立了5个输入节点,6个隐藏节点和一个输出节点。通过对粒子群优化的RBF神经网络模型对一些地区的结核病发病趋势进行预测,得出这种混合模型对结核病发展趋势进行预测能够取得较好的预测结果。     

人工鱼群与微粒群混合优化算法*

针对人工鱼群算法局部搜索不精确、微粒群优化算法易发生过早收敛等问题,提出一种新的人工鱼群与微粒群混合优化算法。算法的主要思想是先利用人工鱼群的全局收敛性快速寻找到满意的解域,再利用粒子群算法进行快速的局部搜索,所得混合算法具有局部搜索速度快,而且具有全局收敛性能。最后,以五个标准函数和一个应用实例进行测试,测试结果表明,提出的算法在一定程度上避免了陷入局部极小,加快了收敛速度且提高了搜索精度。     

二阶微粒群优化神经网络的混沌系统辨识方法

针对BP神经网络在学习算法中的不足,将BP神经网络的权值和阀值训练问题转换为优化问题,提出一种利用二阶微粒群算法优化的神经网络的算法。其次,运用基于二阶微粒群算法训练的神经网络模型对混沌系统进行辨识,并与传统的BP神经网络、RBF网络对同一混沌系统辨识的结果进行比较。实验表明,利用二阶微粒群优化算法训练神经网络进行混沌系统辨识,辨识的效果优于其它几种神经网络模型,可有效用于混沌系统的辨识。     

一种人工免疫与RBF神经网络结合的混合算法的应用

提出了一种人工免疫学习算法,该算法具有识别多样性、自我调节功能等特点。将该算法用于RBF神经网络隐层中心点数量和位置的调整,网络的输入数据作为抗原,抗体(RBF中心)作为抗原的内影像,输出采用最小二乘法。仿真结果表明,该混合算法具有较强的泛化能力,而且精度高,效果好。     

基于复合适应度微粒群算法的神经网络训练

为提高神经网络的泛化能力,针对以均方误差为适应度的PSO算法在训练神经网络时会产生一定的过拟合问题,提出对均方误差和误差分布均匀度进行信息融合,构成复合适应度作为训练指标.实验结果表明,该方法可使网络的泛化能力得到明显的改善.     

基于粒子群的后件多项式RBF神经网络算法

RBF（径向基函数）神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对这些问题,提出了利用粒子群算法优化后件多项式RBF神经网络方法,即优化含有后件多项式RBF神经网络的权值、网络中心值和基宽向量值,并选取最优的隐含层节点数,进而提出了PSOIRBF（基于粒子群的后件多项式RBF）神经网络。通过对非线性模型和实例等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性。     

一种混沌混合粒子群优化RBF神经网络算法

为了更精确地检测出混沌背景下的微弱目标信号,提高预测效果,文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络,利用群体自适应变异以及个体退火操作优化混沌粒子群,有效地提高了粒子群算法的全局收敛性,优化了RBF神经网络的结构和参数。把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号,实验结果表明本算法有良好的非线性预测能力,可以有效地检测出混沌背景下的微弱目标信号。     

一种优化模糊神经网络的多目标微粒群算法

模糊神经网络优化是一个多目标优化问题.通过对模糊神经网络和微粒群算法的深入分析,提出了一种多目标微粒群算法.在算法中将网络的精确性和复杂性分别作为目标进行优化,再用一种启发性分量加权均值法来选取个体极值和全局极值.算法能够引导粒子较快地向非劣最优解区域移动并最终获得多个非劣最优解,为模糊神经网络的精确性和复杂性的折中寻优问题提供了一种解决方法.茶味觉信号识别的仿真实验验证了该算法的有效性.     

多模态粒子群集成神经网络

提出一种基于多模态粒子群算法的神经网络集成方法,在网络训练每个迭代周期内利用改进的快速聚类算法在权值搜索空间上动态地把搜索粒子分为若干类,求得每一类的最优粒子,然后计算最优个体两两之间的输出空间相异度,合并相异度过低的两类粒子,最终形成不但权值空间相异、而且输出空间也相异的若干类粒子,每类粒子负责一个成员网络权值的搜索,其中最优粒子对应于一个成员网络,所有类的最优粒子组成神经网络集成,成员网络的个数是由算法自动确定的.算法控制网络多样性的方法更直接、更有效.与负相关神经网络集成、bagging和boosting方法比较,实验结果表明,此算法较好地提高了神经网络集成的泛化能力.     

粒子群优化RBF神经网络光伏电池建模研究

本文研究神经网络在光伏电池建模优化问题。由于光伏电池具有高度非线性特性,其输出功率受到外界自然因素的影响,使得传统方法不能满足光伏控制系统动态要求。针对上述问题,本文提出一种粒子群优化的神经网络光伏电池建模算法。改进的方法以日照、温度和负载电压作为提出的RBF神经网络模型的输入值,把光伏电池的输出功率作为神经网络的输出,采用RBF神经网络对光伏电池进行建模,同时利用粒子群算法对神经网络参数进行优化,最后建立光伏电池的动态响应模型。仿真实验结果证明,所提模型更好地克服传统方法的缺点,收敛速度快,具有较高的预测精度和适合能力。     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法（particle swarm optimization genetic algorithm,PSO-GA）应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。     

一种基于群体智能的人工神经网络学习算法

将群体智能优化理论引入一种前馈式人工神经网络——径向基函数（RBF）神经网络的学习训练过程,提出了基于智能微粒群算法的RBF神经网络学习算法,并与传统RBF神经网络学习算法进行了比较,实验结果证明了该方法的有效性。     

基于改进粒子群算法的RBF神经网络磨机负荷预测研究

磨机负荷是评价磨机运行状态和预测磨机行为的重要指标,针对粉磨机磨矿过程中负荷难以检测和不能准确判断负荷状态的问题,提出了一种基于改进型粒子群算法（Improved particle swarm optimization, IPSO）优化径向基神经网络（Radial Basis Function,RBF）参数的磨机负荷预测模型（IPSO-RBF）,使惯性权重因子在迭代过程中非线性下降,平衡局部搜索能力与全局搜索能力之间的矛盾,该算法能快速准确地找到最优解,提高粉磨机磨机负荷的预测精度。通过水泥厂的实测数据实验对比,结果表明,基于IPSO-RBF模型的预测精度最高,其预测结果与真实值相比较,均方根误差（Root Mean Square Error,RMSE）、均方误差（Mean Square Error,MSE）、平均绝对误差（Mean Absolute Error,MAE）、平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）和决定系数（coefficient of determination,）分别为0.210 2、0.044 2、0.161 7、1.778%和0.978 2。