基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

神经网络在网络丢包预测中的应用

通过在网络控制系统中加入BP神经网络从而达到对网络丢包进行预测的目的,为进一步的丢包补偿做足准备.利用粒子群算法优化BP神经网络预测器.仿真结果表明：与BP神经网络相比,PSO-BP神经网络具有更好的网络丢包预测性能.     

结合改进PSO-BP神经网络的无刷直流电机控制

针对无刷直流电机的BP 神经网络控制器收敛速度慢,易陷入局部最优,设计了一种采用改进粒子群BP 神经网络控制的无刷直流电机控制系统,改进的粒子群算法在速度更新方程中引入了具有时变衰减特性的惯性权重,并用改进的粒子群算法对BP 神经网络初始权值进行离线训练. 仿真结果显示改进PSO-BP 神经网络孔制系统比标准PSO-BP 神经网络控制有更好的稳定性与抗干扰性,整个系统动、静态响应更好.     

粒子群优化算法在城市需水量预测中的应用

在对天津市需水量现状进行调查的基础上,分析需水量与相关因素的变化规律,建立天津市需水量预测模型.应用粒子群优化算法(PSO)对神经网络权值进行优化,建立PSO-BP神经网络,应用于需水量预测模型的求解.将PSO-BP法与传统的BP神经网络法的计算结果进行对比,前者的预测平均相对误差比后者低500/.结果证明,该预测模型能够较好地拟合天津市需水量变化趋势,PSO-BP方法比BP方法具有更高的收敛速度和精度.     

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration, ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm, GA)和粒子群优化算法(particle swarm optimization, PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果...     

改进型粒子群优化算法的BP神经网络全息图压缩

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。     

基于粒子群优化的神经网络漏钢预报模型研究

针对BP神经网络在训练过程中收敛速度慢以及用于模式识别泛化能力差的问题,将粒子群优化算法PSO引入到BP神经网络的训练过程,建立了PSO-BP神经网络模型,并将其应用到连铸漏钢预报系统中。结合某钢厂连铸现场历史数据对该连铸漏钢预报系统进行了测试,测试结果以98.03%的预报率及100%的报出率,验证了基于粒子群优化算法的BP神经网络连铸漏钢预报系统模型的可行性和有效性。     

基于免疫粒子群和BP神经网络的变压器故障诊断技术

为了解决粒子群算法的早熟收敛问题和BP神经网络梯度下降训练法收敛速度慢、容易陷入局部极小值的问题,将免疫学中的克隆、变异理论用于粒子群算法的优化,建立免疫粒子群算法并给出算法步骤及免疫粒子群算法训练BP神经网络的步骤,将其应用到电力变压器的故障诊断中.仿真实验证明所提出的方法对变压器故障的诊断准确率可达95%以上,能够满足工程应用的需要.     

基于PSO-BP算法的微带天线谐振频率神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.本文提出基于粒子群优化(PSO)算法和反向传播(BP)算法的一种混合算法(PSO-BP)来训练神经网络,并基于该网络对矩形微带天线的谐振频率进行建模.该算法充分利用了PSO的全局搜索特性和BP的局部搜索特性,可以有效地提高神经网络的建模精度.仿真试验表明,基于PSO-BP算法的神经网络所建立的微带天线的谐振频率模型好于此问题的已有结论.     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.     

基于PSO-BP神经网络的纱线质量预测

针对复杂纺纱过程中成纱断裂强度难以预测的问题,提出一种基于粒子群优化算法(PSO)优化BP神经网络的成纱断裂强度预测方法.该方法采用PSO优化神经网络的权值和阈值,用来提高神经网络的收敛速度和获得全局最优解的能力.以纺纱车间大量现场质量检测数据为对象,进行预测验证,结果表明,PSO-BP神经网络在预测相关性(预测值与实际值的一致性程度)上与传统BP算法相比提高5.0%,与GA-BP算法相比提高4.6%,在预测精度上均要好于BP神经网络与GABP神经网络.     

改进PSO-BP算法在配电网故障选线中的应用

为了提高配电网单相接地故障选线的效果,提出一种改进粒子群(PSO)算法优化反向传播(BP)神经网络的故障选线方法。通过小波包变换(WPT)提取各条出线的零序电流暂态能量分量结合五次谐波分量、零序有功分量作为BP神经网络的输入变量,利用改进PSO算法优化后的BP神经网络完成训练并测试,输出选线结果。仿真结果表明,与BP、PSO-BP算法相比,改进PSO-BP算法收敛快、选线精度较高,且不受接地电阻、故障位置及相位角的影响。     

基于改进粒子群算法的BP神经网络优化研究

研究了基于粒子群算法的BP神经网络优化问题,将改进的粒子群优化算法用于BP神经网络的学习训练,并与传统的BP网络进行了比较.结果表明,将改进粒子群优化算法用于BP神经网络优化,不仅能更快地收敛于最优解,而且很大程度地提高了结果的精度.     

基于PSO-BP神经网络的隧道内气动压力幅值预测

将BP神经网络技术用于隧道内气动压力变化幅值的预测,使用粒子群算法(particle swarm optimization,PSO)对其进行优化,构建PSO-BP神经网络模型。为了验证模型的准确性和可靠性,利用收集到的数据样本对模型进行训练测试,并引入交叉验证法评估2种模型的性能。研究结果表明：PSO-BP神经网络能够准确预测不同情况下的气动压力幅值,而且在平均相对误差、平均绝对误差、均方根误差以及样本的决定系数等方面均比未优化的BP神经网络的好,具有更高的预测精度。通过建立的PSO-BP压力幅值预测模型,得到了压力幅值在不同条件下的变化规律。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。     

基于PSO-BP的语音增强方法研究

针对一些常用语音增强方法的特点和不足，本文提出将改进粒子群优化BP网络算法用于语音增强，仿真结果表明：基于PSO-BP神经网络的语音增强方法可以较大幅度的提升带噪语音信号的信噪比，效果明显。     

基于免疫粒子群混合算法优化BP网络的矿压预测方法

为攻克综采工作面顶板矿压显现规律预测预报的难题,构建一种基于免疫粒子群混合算法优化BP神经网络的矿压预测模型(IA-PSO-BP),针对BP神经网络收敛速度慢和易陷入局部最优的问题,采用免疫粒子群混合算法优化BP神经网络,并选取11种矿压主要影响因素作为模型基础数据,对工作面来压强度和来压步距进行预测。结果表明：IA-PSO-BP网络模型的收敛速度较BP网络模型和PSO-BP网络模型分别提高8倍和2倍,IA-PSO-BP网络模型的预测值与实测值基本吻合,预测结果的相对误差分别约为BP网络模型和PSO-BP模型的1/5和1/3。基于IA-PSO-BP的工作面矿压预测方法具有较快的收敛速度和较高的准确率,实现了工作面初次来压强度、周期来压强度、初次来压步距和周期来压步距距预测,为煤矿井下工作面矿压预测提供了一种新的技术途径。     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.