基于 DPSO-BP 网络模型的短期电力负荷预测

为准确、快速、高效地预测电网短期负荷,提出改进的粒子群算法(DPSO),并与BP算法相结合,形成改进的粒子群—BP(DPSO-BP)神经网络算法,用此算法训练神经网络,实现神经网络参数优化,得到基于DPSO-BP算法的神经网络模型.算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力     

混合神经网络的高校网络舆情预测模型研究

为了对高校大学生群体性事件网络舆情进行准确预测并作正确引导,提出一种基于改进粒子群算法的混合神经网络(HANN)的高校网络舆情的发展趋势预测模型.HANN首先采用自适应调整策略和混沌理论对粒子群算法进行改进得到改进粒子群算法(CSA-PSO),再通过CSA-PSO算法训练径向基人工神经网络(RBF ANN)得到;RBF ANN的结点个数通过试探法确定.通过实例测试和与其它模型比较实验,结果表明所提出的HANN方法具有较高的预测精确,综合性能较好.     

改进粒子群优化神经网络的高压断路器故障诊断

在分析传统误差反向传播(BP)算法和标准粒子群优化(PSO)算法的特征及其问题基础上,提出一种改进粒子群优化(MPSO)算法和改进BP(MBP)算法,建立基于MPSO-MBP混合算法的高压断路器神经网络故障诊断模型.通过训练样本和测试样本的仿真对比分析,该方法能够实现高压断路器不同故障的有效诊断,提高高压断路器故障模式的识别能力,故障诊断准确率高、速度快.     

基于粒子群优化小波神经网络的大型商场应急疏散能力评价仿真分析

为了能够提高大型商场应急疏散能力评价的准确性,确保大型商场的安全性,将改进粒子群算法优化的小波神经网络应用于大型商场应急疏散能力评价中.文章研究了小波神经网络的基本理论,确定了小波神经网络的数学模型;设计了改进粒子群算法的模型,并且提出了改进粒子群算法的优化模型;最后以10个大型商场为研究对象,利用所提出的方法对其应急疏散能力进行评价,评价结果表明,粒子群优化的小波神经网络能够快速地、准确地获得大型商场应急疏散能力的实际状况.     

基于实验数据的航空发动机动态建模

针对基于部件级航空发动机动态建模过程中完整、准确的航空发动机部件特性数据往往难以获取、建模时间长等现象,提出使用实验数据进行辨识建模的方法。为了建立航空发动机的动态模型,通过对某轻型飞机实验台的飞行实验数据进行分析整理,提出使用BP神经网络对发动机重要参数进行建模,同时使用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络的权值和阈值进行优化,使用改进粒子群优化算法(Improved particle swarm optimization algorithm,IPSO)对传统粒子群优化算法进行改进,仿真结果表明IPSO-BP网络建立的发动机模型精度和稳定性更高。     

粒子群优化算法及其应用

介绍了粒子群优化算法及该算法的优越性,并与遗传优化算法进行了比较;针对经典粒子群算法存在的不足,介绍了一个改进的动态改变惯性权的自适应粒子群算法;最后,以神经网络为例给出了粒子群优化算法的应用.     

改进粒子群优化算法的IIR数字滤波器设计

通过引入变异算子对粒子群优化(PSO)算法进行改进,能很好克服粒子群的早熟收敛问题.将该改进的算法用到无限冲激响应(IIR)数字滤波器的设计,具有寻优速度快,设计精度高,自适应能力强等优点.     

改进量子粒子群BP神经网络参数优化及应用

针对现有BP神经网络选取权值和阈值不精确问题,采用改进量子粒子群优化算法优化BP神经网络权值和阈值。首先在改进的量子粒子群优化算法中,采用双层多种群优化策略提高整个种群的寻优能力,然后在每个子群中使用混沌反向学习和Levy飞行增强子群寻优能力,最后利用改进的量子粒子群优化BP神经网络权值和阈值。实验结果表明,改进的量子粒子群优化算法能有效提高BP神经网络的全局寻优能力和收敛性,对数控高速铣削加工的铣削力进行准确预测。     

SAPSO-BP算法在异步电机故障诊断中的应用

为了提高异步电机故障诊断的准确性,引入了一种基于模拟退火粒子群算法优化BP神经网络(SAPSO-BP算法)的故障诊断方法.根据电机转子振动频谱中所提取的特征参数与故障类型之间的关系数据,利用模拟退火粒子群算法来优化BP神经网络的权、阈值参数,再由优化好的BP网络进行故障诊断.实验结果表明,该方法具有较好的故障模式的识别效果,明显提高了异步电机故障诊断的准确性.     

基于改进粒子群算法的神经网络在月降水预报中应用

针对粒子群算法易陷入局部最优和寻优精度比较低等缺点,提出一种基于随机惯性权重和异步变化策略的学习因子的粒子群算法优化神经网络连接权重和阈值,并以此建立月降水预报建模研究.以广西桂北地区的月降水量实例分析,并与标准粒子群优化神经网络模型、随机权重的粒子群神经网络模型和神经网络模型对比,结果表明,该方法学习能力强和预测精度高,是一种有效的建模预报方法.     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

改进粒子群BP神经网络在高炉炉温预测中的应用

由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。     

一种论文作者重名消歧方法

作者重名消歧是一个重要又复杂的研究课题,在科技文献检索工作中,作者重名问题势必会降低文献检索的效率和准确性,影响工作进度。提出一种改进粒子群算法优化的BP（Back Propagation）神经网络算法,以解决作者重名消歧问题。首先引入Beta分布的动态惯性权重,提高算法全局搜索能力|其次利用改进粒子群算法优化的权值和阈值,作为BP神经网络的初始权值和阈值进行模型训练,以加快模型训练速度|最后通过特征评价函数过滤式选取排序较优的M维特征子集作为输入层特征向量训练模型,得到最终预测结果,从而精确区分重名的作者。实验研究表明,该模型对重名作者身份的预测准确率可达89.01%,证明了该算法的有效性。     

基于Haar-Lbp特征和粒子群神经网络的人耳识别

在分析人耳Haar和Lbp特征的基础上,提出了一种基于神经网络和人耳Haar-Lbp特征对人耳进行识别的方法.文中选取了人耳图像的Haar和Lbp双特征值作为神经网络的训练样本,并尝试利用粒子群优化算法与BP结合算法训练网络.仿真结果表明,文中提出的方法取得较好的效果.     

粒子群优化在股指预测中的应用

BP神经网络由于自身的缺陷,导致训练时间长且易于陷入局部极小点,易导致股指预测精度不高．将粒子群优化算法用于神经网络的学习训练,可改善它原有的缺陷,并用于对股指的预测．实验结果表明,与BP神经网络相比,基于粒子群优化的神经网络对股指的预测精度更高．     

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。     

基于IPSO和BPNN的网络安全态势预测

网络安全状态数据具有数据量大、特征数目繁多以及连续型属性多等特点.态势预测问题可转化为海量数据的预测问题.以网络安全态势研究为应用背景,提出了一种基于改进的粒子群优化算法来优化反向传播神经网络的态势预测模型.利用IPSO内在的隐并行性和很好的全局寻优能力对BP网络的权值和阈值进行优化并建立预测模型对网络安全态势进行预测.仿真实验证明其改善了传统BP网络在预测应用中的不足,有效提高了态势预测的精准度.     

基于粒子群优化RP网络短期电力负荷预测方法

针对常规BP网络收敛速度慢,易陷入局部极小值等问题,采用L—M算法对网络进行训练,利用改进粒子群算法优化BP网络初始权值和阈值。将该方法应用在南方某市短期电网负荷预测中,预测结果表明,相较于常规BP网络、L—M算法改进预测模型,该预测算法在预测结果精度和速度上均有较大幅度提高。