PSO-RBF无线电波信号预测模型研究

随着经济的发展,无线电波信号的预测问题成为无线通信领域研究的关键课题之一.考虑到径向基神经网络模型的广泛应用,研究一种粒子群算法与径向基神经网络相结合的无线电波信号预测模型.实验结果表明,这两种人工智能算法的结合模型比RBF模型预测精度更高,运行更稳定.     

基于遗传算法优化小波神经网络的短期天然气负荷预测

天然气负荷预测对于燃气经营企业尤其重要,对保证天然气管网的用气量、优化管网的调度具有重要意义.传统的天然气预测模型预测精度低、模型泛化程度低.为了克服模型缺陷,提出了一种基于遗传算法优化小波神经网络的天然气负荷预测模型.通过遗传算法对小波神经网络的阈值以及网络连接权值等参数进行优化,从而建立预测效果最好的模型,通过企业提供的历史门站数据对预测模型进行验证.仿真结果表明,使用遗传算法优化网络参数的小波神经网络提高了模型的预测精度,具有一定的工程应用价值.     

基于遗传算法-BP神经网络的煤层注水效果分析

为了提高BP神经网络预测煤层注水效果的精度,采用遗传算法优化BP神经网络的权值和阈值,建立了遗传算法-BP神经网络模型,并采用该模型对煤层注水湿润半径进行模拟预测。Matlab模拟结果表明,遗传算法-BP神经网络模型的预测结果比BP神经网络模型更准确,平均相对误差降低了40.29%,训练步数减少了1 665步,收敛速度快,稳定性好。     

基于神经网络与遗传算法的传动部件设计优化

为了提高设计效率,得到最优设计效果。依据人工神经网络模型和遗传算法的基本原理,建立了基于神经网络和遗传算法的传动部件设计优化模型,用Matlab语言编制了应用程序,对神经网络的参数预测与遗传算法的优化过程进行求解,试验仿真结果表明,采用设计优化切实可行,具有良好的实际应用效果。     

基于混沌免疫遗传算法的神经网络及应用

借助混沌随机序列构造初始种群,将免疫机制引入传统遗传进化过程,有效克服传统遗传算法种群“退化”和“早熟”的不足,保持种群多样性,构造得到混沌免疫遗传优化算法.进而将混沌免疫遗传优化算法与BP神经网络相结合,分别用混沌免疫遗传优化算法和自适应BP算法对网络权值进行全局优化和局部二次优化,建立基于混沌免疫遗传算法的神经网络模型.利用所建立的混合神经网络模型对渤海某海域年极值冰厚进行训练预测,并将模型预测结果与实际数据以及动态拓扑预测的结果进行对比,表明基于混沌免疫遗传算法的神经网络模型具有很高的预测精度和工程适用性.     

液压支架前连杆疲劳寿命预测方法

针对液压支架前连杆疲劳寿命值计算繁琐的问题,提出采用遗传算法优化后的BP神经网络预测液压支架前连杆疲劳寿命。首先采用最优拉丁超立方方法选取40组参数水平下的设计参数,然后采用ANSYS有限元分析软件计算每个参数水平下的疲劳寿命值,最后采用经遗传算法优化后的BP神经网络学习前30组数据,建立设计参数与疲劳寿命之间的神经网络模型,用剩余的10组数据检测模型预测精度。预测结果表明,遗传算法优化的BP神经网络对液压支架前连杆疲劳寿命的预测误差较小。     

基于遗传算法的非线性模型预测控制方法

介绍了非线性模型预调控制算法结构，提出了基于遗传算法的非线性模型预测控制方法，将遗传算法作为优化技术用于受限非线性模型预测控制器的设计。算法采用双模控制策略，将保证预测控制算法稳定性的终点等式约束转化为终点不等式约束，以利于遗传算法的实施。基于不变集理论，给出了非线性模型预测控制算法的稳定性定理。仿真结果表明了所提出控制算法的可行性和有效性。     

基于AIGA-BP神经网络的粮食产量预测研究

为了提高预测粮食产量的准确度,针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,主要借鉴免疫系统的浓度调节机制和遗传算法的全局寻优特性,用自适应免疫遗传算法（AIGA）来优化BP神经网络的权值和阈值,并给出了具体的优化过程。用优化的神经网络对粮食产量进行了仿真预测,通过仿真实验表明,与BP神经网络预测法和遗传神经网络预测法对比,优化的网络模型在粮食产量预测中取得了更精确的结果。     

基于改进的PSO-SVM室内走廊环境WSN信道建模

随着无线传感器在室内的应用越来越普及,无线传感器网络(WSN)室内信道模型的研究成为了通信行业的一个热点。针对室内走廊环境进行了无线传感器网络的信号传输衰落特性测试,并根据测试所得数据利用粒子群算法优化支持向量机(PSO-SVM)进行了数据回归分析,通过选取交叉验证折数来提高精度,建立了PSO-SVM无线电波路径损耗模型。模型与双折线对数距离路径损耗模型进行对比分析,实验结果表明PSO-SVM模型预测精度优于双折线对数距离路径损耗模型,能很好的表征室内走廊环境下的WSN电波衰落特性。     

基于GA-GRNN-GA的飞机发动机风扇叶片清洗参数优化

以超声波清洗飞机发动机风扇叶片的清洁度为目标,在分析超声波清洁度多种影响因素基础上,建立超声波清洗工艺参数即超声清洗功率、温度、时间和清洗距离的非线性预测模型。采用基于遗传算法的广义回归神经网络(GRNN)进行清洁度预测,并以预测的清洁度为适应度函数,使用遗传算法对清洗参数进行优化。对GA-GRNN预测模型进行仿真验证,表明该模型预测清洁度较好。最后进行飞机发动机风扇叶片超声波清洗实验,结果表明,优化后的清洁度与GA-GRNN-GA模型预测优化的清洁度误差小于4.3%,为飞机发动机风扇片叶的自动化清洗提供了理论依据。     

基于混合算法的通信用户规模预测方法研究

准确地对通信用户规模进行预测对于通信运营商的决策具有十分重要的意义,而现有的常规预测方法存在预测误差较大、预测速率低等问题。研究一种基于RBF神经网络的通信用户规模预测模型。为了使得RBF神经网络算法预测性能更优,使用梯度下降算法与遗传算法混合对RBF神经网络进行参数优化,提高预测模型收敛效率。实例分析表明,使用本文研究的混合RBF神经网络预测模型的预测结果明显优于其他传统的预测模型。同时,在预测速度上也具有较大的优势。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

遗传优化的灰色神经网络模型比较研究

针对灰色系统结合RBF神经网络时算法存在局部最优和收敛性等问题,引入遗传算法来辅助优化灰色神经网络预测模型。利用具有的较强全局搜索能力,且收敛速度快的遗传算法对GM（1,1）模型参数λ进行高效求解,然后融合RBF神经网络和改进的灰色GM（1,1）模型,构成两种不同结构的基于遗传算法的灰色RBF预测模型,一种是灰色RBF补偿预测模型GA-GRBF,另一种是灰色嵌入型GRBF模型。以某智能监控系统采集的风响应时程数据进行仿真分析,结果表明经过遗传算法优化的GRBF模型都要优于单一的GRBF模型,并且GA-GRBF模型建模简单,预测精度高,实用性强。     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于径向基神经网络的月降水量预测模型研究

针对月降水量高度非线性的特点,以合肥20年的月降水量为时间序列,综合运用径向基函数（RBF）神经网络,建立了一种基于径向基函数的神经网络预测模型。首先对RBF神经网络进行介绍,并将该网络应用于月降水量预测,应用归一化方法对原始数据进行预处理;然后运用MATLABR2008神经网络工具箱函数建立月降水量预测模型;最后进行仿真实验与分析,将RBF神经网络与传统的BP网络训练预测结果进行比较。结果显示,RBF神经网络模型训练的迭代次数和训练时间、预测结果明显好于传统BP神经网络。     

A nonlinear prediction model for Chinese speech signal based on RBF neural network

A novel method for Chinese speech time series prediction model is proposed. In order to reconstruct the phase space of Chinese speech signal, the delay time and embedding dimension are calculated by C–C method and false nearest neighbor algorithm. The maximum lyapunov exponent and correlation dimension of Chinese speech phoneme are calculated by wolf algorithm and genetic programming algorithm. The numerical results show that there exists nonlinear characteristics in Chinese speech signal. Based on the analysis method of RBF neural network and the nonlinear characteristic parameters such as the delay time and embedding dimension, a nonlinear prediction model is designed. In order to further verify the prediction performance of the designed prediction model, waveform comparison and four evaluation indexes are used. It is shown that compared with the linear prediction model and back propagation neural network nonlinear prediction model, prediction error of the RBF neural network nonlinear prediction model is significantly reduced, and the model has higher prediction accuracy and prediction performance.

     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

基于RBF网络的商品混凝土强度预测分析

提出具有9个输入节点, 1个输出节点的 RBF神经网络模型来模拟抗压强度及其影响因素之间复杂非线性关系.作为对比,作者同时比较了3种不同输入模型的RBF网络的预测效果并与传统的BP网络模型进行比较,结果表明,文章提出的RBF网络模型具有很高的预测精度和较强的泛化能力,可作为商品混凝土性能分析的一种新型有效的方法.     

基于遗传算法优化RBF神经网络的氯离子浓度分布预测

基于RBF网络在样本数量和样本反映输入输出关系上的局限性,通过遗传算法优化RBF径向基网络的输出权值来实现对氯离子浓度分布的预测。通过对比得出,此方法与实测结果更吻合,具有更高的精度,可以为混凝土耐久性预测及评估提供一定科学依据。