基于改进型PSO-BP神经网络算法的水质评价

环境污染现在是大众所关注的一个重要的问题,需要拿出科学的方法和手段应对这个问题。文中提出了一种改进型的PSO-BP神经网络相结合的环境质量评价方法,以大理的洱海水域为例,选取了实际的水质监测数据作为样本,进行了系统的分析。通过对传统的BP神经网络法、PSO-BP神经网络和改进型PSO-BP算法三种方法应用结果的对比,本文得出改进的PSO-BP神经网络方法在相同精度下拥有更高的效率。     

基于PSO-BP的神经网络卡钻事故预测研究

随着科技的快速发展,对能源的需求日益提高。石油作为基础的传统能源在其中扮演了重要地位。在勘探石油的钻井过程中,由于不确定的地质等客观因素,钻井事故常有发生。井下事故从发生到处理会占据石油生产单位大量的非生产时间,严重损害经济效益,危害工作人员人身安全。在钻井事故中以卡钻事故尤为常见,其中因卡钻事故引发的次生灾害不在少数。文章文参考近年钻井历史数据,分析导致卡钻事故发生的因素,建立经由PSO粒子群算法优化的BP神经网络模型,通过对相关样本的训练和验证,实现基于PSO-BP的神经网络预测模型。经实验,文章中PSO-BP神经网络预测模型相较优化前有更高的精确性。研究结果对钻井事故研究具有重要参考意义,对相关从业人员有重要启发意义。     

基于PSO-BP神经网络的无线传感器网络定位算法

针对无线传感器网络定位的基本功能问题。提出一种将PSO算法和BP神经网络相结合对RSSI在测距阶段测得的距离数据进行优化的算法。该算法将PSO算法作为BP神经网络的学习算法,缩短了BP神经网络的训练时间,并加快算法的收敛速度。通过仿真,定位精度较其他算法得到了明显提高,最高可达27.3%。     

基于改进PSO-BP神经网络的回弹预测研究

在V形自由折弯中,准确地预测板料回弹,有利于实际生产中精确地控制回弹以提高生产效率。由于板料回弹的影响因素众多,呈现出复杂的非线性变化特征,采用传统的BP神经网络难以满足高精度的预测要求,因此为了进一步有效预测板料的回弹,提出基于改进粒子群算法优化的BP神经网络预测模型。对标准粒子群算法的缺陷进行改进,利用改进粒子群算法的全局搜索能力对BP神经网络的权值和阈值进行优化求解,提高了BP神经网络预测模型的收敛精度和泛化能力。将改进PSO-BP神经网络预测模型应用在板料回弹预测中,并与LM-BP神经网络预测模型进行对比仿真,结果表明改进PSO-BP神经网络预测模型具有更高的非线性拟合优度和预测精度。     

基于PSO?BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO?BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO?BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于改进PSO-BP神经网络的教学质量评价模型

教学质量评价是教学研究中的重点之一，但已有的数学评价模型不适合解决非线性问题，神经网络模型收敛速度慢、准确率不高。针对以上问题，文中提出一种基于改进PSO(Particle Swarm Optimization)-BP(Back Propagation)神经网络的教学质量评价模型。通过引入动量和自适应学习率优化BP神经网络，采用惯性权重线性递减、学习因子异步变化，并引入速度收缩因子和自适应变异策略来优化PSO算法；再使用PSO粒子群优化算法计算BP神经网络的初始连接权重和阈值，从而提升模型的全局寻优能力和收敛速度、精度。为验证模型效果，使用评价体系指标层的10个指标数据作为模型的输入，评价结果作为输出，进行模型对比实验。实验结果表明，所提模型的准确率达到96.33%，比一般BP神经网络模型提高4.68%，比自适应BP神经网络模型提高4.07%，比PSO-BP神经网络模型提高1.2%，且收敛曲线平稳，整体性能优于其他模型，说明运用该模型能够有效地对教学质量进行评价。     

基于PSO-LSTM优化模型的网络流量预测研究

网络流量预测是网络规划、设计和建设的重要依据，对有效满足人民网络需求有着极其重要的意义。本文通过构建基于PSO-LSTM优化预测模型，不仅提高了对网络流量预测的效果，还自动实现了对LSTM神经网络模型参数的优化，大大降低了LSTM神经网络模型优化的工作量。研究结果表明，基于PSO-LSTM优化预测模型能够实现对网络流量的准确预测，相比单纯基于LSTM神经网络模型，预测结果与实际值的均方根误差降低31%。     

基于改进神经网络的无线网络流量预测

考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。     

基于BP网络的卫星通信雨衰预测模型

电磁波的降雨衰减对卫星通信链路具有很大的影响。在分析基于BP算法的多层前馈网络具有逼近任意连续非线性函数的能力和降雨率与降雨衰减的非线性关系的基础上,提出并建立了基于BP神经网络的卫星通信降雨衰减预测模型,根据某地区的实测数据进行训练和预测,并与ITU-R模型进行了对比。结果显示神经网络模型具有较小的误差,为降雨衰减预测提供了一种更加准确有效的方法。     

基于群智能算法的神经网络建模研究

针对神经网络建模过程中不合理的权值选取,使训练陷入局部最优解而得不到全局最优解这一问题。采用群智能算法得出全局最优解,并且利用检验样本达到最低点时的权值与阈值正确建立神经网络模型。结果表明,网络模型的评价参数表现良好,其中预测精度与相关系数分别为97.55%和96.2%。从而证明了基于群智能算法的神经网络,在遵循建模条件情况下能够保证取得全局最优解,建立的模型性能良好,具有一定的理论与市场应用价值。     

云过程神经网络模型及算法研究

该文针对输入输出具有不确定性特征并与时间或过程有关的复杂非线性系统建模和求解问题,利用过程神经网络对时变信号的动态处理能力,结合云模型对定性定量概念的转化能力,构建了一种具有不确定性信息处理能力的云过程神经网络模型,并采用猫群优化算法同时对网络结构和参数进行并行优化设计,提高了网络逼近及泛化能力,实现了神经网络在时间域和不确定信息处理领域上的有效扩展。仿真实验结果验证了模型和算法的可行性和有效性。     

基于粒子群优化的神经网络训练算法研究

本文提出了基于连接结构优化的粒子群优化算法(SPSO)用于神经网络训练,该算法在训练神经网络权值的同时优化其连接结构,删除冗余连接,使神经网络获得与模式分类问题匹配的信息处理能力.经SPSO训练的神经网络应用于Iris,Ionosphere以及Breast cancer模式分类问题,能够部分消除冗余分类参数及冗余连接结构对分类性能的影响.与BP算法及遗传算法比较,该算法在提高分类误差精度的同时可加快训练收敛的速度.仿真结果表明,SPSO是有效的神经网络训练算法.     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

基于改进BP神经网络的洪峰预测模型

BP神经网络擅长对数据模型进行预测,通过模拟退火遗传算法的引入,对原始BP网络进行改进,对比分析两种算法的流程及效率,同时在洪峰预测模型上进行试验,观察两者的数据结果,并分析误差和效率,发现改进BP网络优于原始BP网络,在实际工程应用中值得推广。     

基于RBF神经网络的高校奖学金等级预测模型

基于目前高校奖学金评定的现状,首先建立了高校奖学金评定指标体系,并对RBF神经网络的算法进行了分析,而后通过MATLAB7.0,使用训练样本数据创建了Approximate型的RBF神经网络模型。对测试样本数据的仿真结果表明,此模型作为奖学金评定的依据,具有较高的参考价值和实用性。     

基于径向基神经网络的粒子群表面缺陷识别算法

金属部件表面缺陷识别问题是模式识别领域的研究热点,高效、可靠的表面缺陷识别方法能够有效提高生产效率、维护生产安全。针对这一问题,文中提出了一种利用径向基(RBF)神经网络和粒子群优化(PSO)算法相结合的表面缺陷识别算法。采用PSO算法确定和改进RBF神经网络的权值参数,同时对PSO算法中的惯性权重进行线性处理,有效消除了PSO算法中的最优解局部振荡现象。针对金属部件表面常见的几种缺陷对RBF-PSO表面缺陷识别算法进行网络训练,并进行相应的实际测试。文中提出的RBF-PSO表面识别算法识别准确率可达96%,相比于传统的神经网络算法具有明显的性能提升。     

一种优化前馈神经网络算法

神经网络由于其非线性处理能力强，性能稳定等特点得到了广泛应用和研究。主要应用于模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等。神经网络中使用最为广泛的就是前馈神经网络。其网络权值学习算法中影响最大的就是误差反向传播算法（back—propagation简称BP算法）。BP算法存在局部极小点，收敛速度慢等缺点。基于优化理论的Levenberg-Marquardt算法忽略了二阶项。该文讨论当误差不为零或者不为线性函数即二阶项S（W）不能忽略时的Hesse矩阵的近似计算，进而训练网络。