基于改进AFSA算法的BP神经网络的研究

针对BP神经网络收敛速度慢、易陷入局部极小的缺点,提出将改进的人工鱼群算法与BP算法相结合的混合算法训练人工神经网络,建立了相应的优化训练模型及训练过程.通过基于生物免疫机制改进的人工鱼群算法优化训练多层前向神经网络,使神经网络对训练初值和参数要求不高,扩大了权值的搜索空间,提高了收敛速度和学习精度,有效地协调全局和局部搜索能力.仿真结果表明,该算法性能优于其它算法,具有均方误差值小,收敛速度快和计算精度高等特点,是一种更有效的神经网络训练算法.     

基于神经网络离散混合蛙跳算法的多用户检测

为进一步提高基于离散混合蛙跳算法（DSFLA）的多用户检测性能,提出一种基于DSFLA和神经网络相结合的神经网络离散混合蛙跳算法,并用于多用户检测。在DSFLA的每一族内更新中,随机选择若干只“青蛙”采用Hopfield神经网络的寻优更新策略,进行快速迭代,寻找全局最优。仿真结果证明,基于神经网络离散混合蛙跳算法的多用户检测器在误码率、收敛速度、系统容量、抗远近能力等方面都优于传统方法和一些应用优化算法的多用户检测器。     

基于改进二进制人工蜂群算法的多用户检测器

最优多用户检测(OMD)技术可以达到理论上的最小错误概率,但已经证明它是一个非确定多项式(NP)问题。作为一种新型的群智能算法,人工蜂群(ABC)算法已被广泛用于各种优化问题,但传统二进制人工蜂群算法具有收敛速度过慢、易陷入局部最优等缺点。针对这一缺点,提出了一种改进二进制人工蜂群算法并将其用于求解最优多用户检测问题。算法简化了初始化的过程,采用单维求反的邻域搜索策略,计算量与最优多用户检测相比明显降低。仿真结果表明,提出的多用户检测方案在抗多址干扰和抗“远近”效应能力方面与传统检测方案相比,都有显著提高。     

AFSA＋PSO混合算法在BP网络故障诊断中的应用

提出一种基于人工鱼群算法和粒子群算法混合训练BP网络的故障诊断系统.采用人工鱼群算法和粒子群算法结合算法训练神经网络权值,局部搜索速度快且保证全局收敛,有效克服了传统的BP神经网络收敛速度慢且容易陷入局部极值的缺点.将该网络用于齿轮箱故障诊断,并与传统BP模型用于故障诊断结果进行了比较,取得了较好的效果.     

基于神经网络量子算法的多用户检测器

利用遗传量子算法和Hopfield神经网络,提出了一种融合两种算法优点的神经网络量子算法,并将其应用到CDMA通信系统的多用户检测问题中。所提算法把神经网络嵌入到遗传量子算法的每一代中,可进一步提高量子种群的适应度函数值。通过混合神经网络到GQA中,还可加快GQA的收敛速度进而减少算法的计算复杂度。另外,GQA所提供的良好初值改善了HNN的性能,嵌入的HNN也提高了GQA的性能。仿真结果证明了该方法的抗多址干扰能力和抗远近效应能力都优于传统检测器和一些应用智能算法的多用户检测器。     

基于蚁群和人工鱼群算法融合的QoS路由算法

针对多约束Qos单播路由问题,提出了一种改进蚁群算法和人工鱼群算法融合的QoS路由算法.采用混合蚂蚁行为使初始路径多样化,根据QoS约束条件对蚂蚁可选路径集进行优化,将人工鱼群算法加入到蚁群算法的每一次迭代过程中,利用人工鱼群算法全局快速收敛的优点,来加快蚁群算法的收敛速度和人工鱼群算法的觅食行为,帮助提高了蚁群算法跳出局部最优的能力.仿真实验结果验证了该算法的可行性和有效性.     

基于免疫粒子群算法的多用户检测技术研究

将免疫系统的免疫机制引入到粒子群优化算法的设计中,模拟免疫系统、群集智能和神经网络的信息处理机制,提出了免疫粒子群优化算法。这种免疫粒子群算法结合了粒子群的近似全局优化能力和由Hopfield神经网络构成的免疫系统的快速信息处理机制,加快了算法的收敛速度,并提高了粒子群算法的全局收敛能力。然后利用此算法对CDMA系统的多用户检测性能改进问题进行实验研究,证明了本文的方法有较快的收敛速度,并且无论是抗多址干扰能力还是抗远近效应能力都优于传统方法和一些应用优化算法的多用户检测器。     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

基于Hopfield神经网络多用户检测技术的研究

多用户检测中的MMSE算法随着用户数增加而受到限制,MMSE的优化问题可以转化为Hopfield神经网络的能量函数的最小化问题。针对基于Hopfield神经网络多用户检测算法进行仿真和分析,仿真表明Hopfield神经网络多用户检测算法在抗多址干扰和远近效应上有所提高。     

基于Rssler混沌变异的人工鱼群优化算法

针对标准人工鱼群优化算法在迭代过程中易陷入局部最优和后期收敛速度慢的问题,提出一种基于Rssler混沌改进的自适应人工鱼群算法。该算法利用混沌序列获得均匀初始化的种群,并在人工鱼群陷入局部极值时对其进行混沌变异操作,增加鱼群的多样性,同时根据食物浓度自适应调节人工鱼步长,提高收敛速度。仿真实验表明,该算法能够有效避免早熟问题,并且具有较快的收敛速度。     

基于改进人工鱼群算法的多用户OFDM系统自适应资源分配*

在鱼群算法中提出了人工鱼的吞食行为,对算法进行了改进,在保证算法性能的前提下明显降低了人工鱼群算法的复杂度。通过对多用户OFDM系统模型的分析,结合对用户公平性的考虑,给出了该系统中自适应资源分配问题的目标函数。用改进鱼群算法在保证用户公平性的基础上,很好地解决了多用户OFDM中的自适应资源分配问题,实现系统总传输速率最大化。     

人工鱼群算法优化神经网络的网络入侵检测

为了提高网络入侵检测率,提出一种人工鱼群算法（AFSA）优化ELM神经网络的网络入侵检测模型。首先将ELM神经网络参数编码成人工鱼的位置,然后利用人工鱼群算法通过模拟鱼群的觅食、聚群及追尾行为找到最优ELM神经网络参数,最后利用最优参数的ELM神经网络建立网络入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,模型不仅提高了入侵检测正确率,而且加快了网络入侵检测速度。     

基于改进SPSO-BP神经网络的温度传感器湿度补偿

针对在实际使用中湿度影响温度传感器准确性的问题,通过对基本粒子群算法的分析,得出不受速度向量影响的简化粒子群算法,同时采用线性递减惯性权重,提出了一种改进SPSO-BP神经网络温度传感器的湿度补偿方法.通过改进的简化粒子群算法的不断迭代,优化BP神经网络的权阈值,直到得到最优权阈值,并赋给BP神经网络.根据湿度影响实验中测得的数据,运用此方法建立湿度补偿模型,与BP神经网络方法对比分析.结果表明,改进SPSO-BP神经网络的模型结构简单、补偿精度高,收敛速度快,有效地对温度传感器进行了湿度补偿.     

改进并行粒子群算法优化RBF神经网络建模

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法（Improved Parallel Particle Swarm Optimization,IPPSO）。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。     

基于改进粒子群算法的模糊神经网络

油气管道腐蚀失效检测具有随机性、复杂性、多因素性和非线性等特点,利用精确的数学模型描述有一定的难度. 本文提出了一种基于混合改进粒子群算法的模糊神经网络的管道腐蚀动态检测方法. 优化粒子群算法的收敛性,加快寻找最优解的速度,将该算法用于模糊神经网络模型构建中,建立了基于模糊神经网络的管道腐蚀动态检测模型. 通过利用实际的管道腐蚀检测数据进行诊断应用,取得了较好的检测效果,验证了该模型及算法的可行性和有效性.     

改进粒子群算法在乙烯收率软测量中的应用

针对粒子群算法(PSO)容易陷入局部收敛的问题,提出一种引入反动因子并结合引力定律的方法来改进算法,增强其寻优能力,该改进算法命名为:GPSO算法.该算法利用引力定律快速确定粒子的寻优方向,寻优过程中当粒子陷入局部最优时利用反动因子的引入使粒子跳出局部最优.仿真实验证明该改进算法在收敛速度和寻优能力上都取得了显著效果.最后,用改进的算法优化BP神经网络的参数,获得了乙烯裂解转化率模型,实验结果表明,基于改进算法的神经网络模型能够较好地预测乙烯裂解转化率.     

基于鸟群算法优化BP神经网络的热舒适度预测

热舒适度是室内环境舒适性的评价指标,由于热舒适度的计算是一个复杂的非线性迭代过程,不便应用于空调实时控制系统中,为解决这一问题,可利用BP神经网络算法对热舒适度进行预测.但为了改善传统BP神经网络收敛速度慢的问题,将采用鸟群算法（BSA）来优化BP神经网络初始的权值与阈值.最后,将BSA算法与相近的粒子群算法（PSO）进行对比分析,并利用MATLAB软件进行仿真,使BSA-BP预测模型的仿真结果与基本的BP神经网络预测模型、PSO-BP预测模型的仿真结果进行对比分析.结果表明,BSA-BP预测模型具有较快的收敛速度和较高的预测精度.     

改进PSO-BP神经网络对储层参数的动态预测研究

为提高BP神经网络的收敛速度和泛化能力,防止其陷入局部最优值,在前人工作基础上对传统粒子群算法进行了改进,具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数,并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测,具体步骤为：确定神经网络的输入、输出神经元,定量化时间参数[T],利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析,结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。