基于微粒群算法的神经网络储层物性参数预测

建立了一个具有自适应、复杂非线性储层预测模型,在计算方法上,由于多层前向型神经网络BP算法存在易陷入局部最优的缺点,而微粒群算法具有较强鲁棒性和全局收敛的优点.结合二者长处,利用基于微粒群算法的神经网络计算方法,对神经网络结构进行了改进.利用四川洛带地区气田的测井资料,用所设计的算法对储层的物性参数(孔隙度、渗透率)进行预测,并对其预测精度与用常规基于BP算法和基于LMBP算法得到的预测结果进行了比较分析,发现地质效果明显,有效地克服了基于BP算法和基于LMBP算法的缺点.     

一种基于协同进化的随机微粒群算法

在多种群协同进化和随机微粒群算法基础上,提出了一种改进的多种群随机微粒群算法,将各个子种群度独立的按照随机微粒群去进化,周期性的更新共享信息,共同寻求最优解。其中采用了两种不同的更新策略,并对这两种不同的方法进行详细的分析和比较。实验表明：合理调整更新周期能提高算法的收敛性。     

基于合作式协同进化算法的神经网络优化

针对一般遗传算法优化神经网络存在的不足，提出合作式协同进化遗传算法实现神经网络结构和权值同步优化方法．首先，结合合作式协同进化遗传算法本身特性和神经网络特点，给出种群分割方法；其次，为了实现结构和权值的同步优化，提出一种新的混合编码方法，并根据该混合编码方法设计新的交叉和变异算子；然后，根据编码结构、代表个体和合作团体之间的关系，提出一种新的结构优化方法；再次，给出进化过程所需代表个体选择、适应度构造方法等．最后，通过双螺旋线问题验证本文算法的有效性．     

基于神经网络的表面粗糙度识别算法

提出一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的散射光强度分布数据,把表征光强分布的数据和样块的标称值分别作为神经网络的输入和输出,采用改进的ＢＰ算法对神经网络进行训练。训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值。该算法充分利用了神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别     

基于粒子群算法的RBF神经网络的优化方法

本文用粒子群算法来优化RBF神经网络的中心值和连接权值,使之具有更强的非线性逼近能力,并将优化后的RBF神经网络和未经优化的RBF神经网络用于非线性函数的逼近,实例证明优化后的RBF神经网络比未经优化的RBF神经网络具有更强的非线性函数的逼近能力。     

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。     

基于神经网络的自动星图识别算法

神经逻辑网络(NLN)是一种神经网络与专家系统相结合的神经网络模型，本文探讨一种基于模糊神经逻辑网络的星图识别算法。在大视场多星定位系统的星图识别中，该算法比直接匹配法有较快的识别速度和较高的识别精度。     

BP神经网络算法在数字识别中的应用

介绍BP神经网络算法的理论和方法,并在MATLAB环境下给出了BP神经网络算法在数字图像识别系统中的应用。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

基于神经网络和粒子群算法的移动机器人路径规划

针对移动机器人传统路径规划算法效率不高,寻优能力差等问题,提出一种基于神经网络和粒子群优化算法相结合的移动机器人路径规划方法.该方法利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性.仿真结果表明,这种新路径规划方法是可行且有效的.     

基于PSO的RBF神经网络在热工系统辨识中的应用

在神经网络辨识大迟延对象时,模型类中迟延时间多是根据经验估测的,而不同的值对神经网络辨识的精度和效率就会不同。针对上述问题,将基于正交最小二乘(OLS)算法的径向基(RBF)神经网络和粒子群优化(PSO)算法相结合对热工系统的复杂对象进行辨识仿真。通过对电厂一次风量数据和平均床温数据的仿真实验结果表明,在RBF神经网络对大迟延对象进行辨识时,通过PSO算法进一步确定其最佳迟延时间,从而得到更精确的模型并提高辨识效率,可以取得良好的效果。     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

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.     

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。     

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PSO算法的神经网络集成构造方法

为合理选择组成神经网络集成的个体,使各个体间保持较大的差异度,从而提高集成所建模型的仿真精度,提出一种新的神经网络集成构造方法.独立训练出一批神经网络,采用离散粒子群优化(PSO)算法,用多维空间中0或1取值的粒子描述所有可能的神经网络集成.网络集成预测误差的估计值用组成集成的个体网络之间的相关度表示,并作为优化过程中的适应度函数.优选得到参与构成神经网络集成的部分差异度较大网络个体.对8个典型数据集回归问题的实验结果表明,该方法构造的神经网络集成普遍使用了较少的网络个体,而预测精度均好于Bagging方法等传统方法.     

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.