PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

灰色神经网络在城市用水量预测中的应用

为解决传统BP神经网络在城市用水量预测中易陷入局部极小点等问题,将BP神经网络与灰色理论相结合,构建了灰色神经网络模型(GNNM),实现了二者的优势互补,并利用粒子群优化算法(PSO)对该模型的初始权值和阈值进行优化,形成了PSO-GNNM(1,N)算法.通过与传统BP神经网络、灰色理论预测法的预测结果相比较,该算法具有预测误差小、泛化能力强等优点,可为城市用水量的预测工作提供技术支持.     

优化的神经网络在模拟电路故障诊断中的应用

在检测和诊断模拟电路的故障中,为了解决传统的BP神经网络初始权值和阈值是随机选取的,容易陷入局部最小值,出现不收敛或收敛速度慢的缺点,文中提出了采用粒子群算法来优化传统BP网络的方法。首先利用粒子群算法优化BP神经网络的初始权值和阈值,然后再由改进的BP算法进行训练仿真。通过和在单一改进BP算法下训练的诊断仿真结果进行对比,可以发现通过粒子群算法优化后的神经网络改善了网络不收敛的缺陷,在训练速度以及诊断正确率上都有所提高。     

基于粒子群优化BP神经网络的脉象识别方法

针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题,提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差,以此获得最优粒子的位置向量,并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO-BP算法和GA-BP算法的三种ANN模型用于脉象信号的识别。实验结果表明,在识别脉象时,优化后的算法降低了传统BP神经网络的输出误差,提高了识别精度,PSO-BP算法明显改善了传统BP神经网络的泛化能力。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

基于HPSO-BP神经网络融合的隧道照明功率预测

针对当前高速公路隧道照明存在的过度照明问题,采用一种混合粒子群算法和BP神经网络相结合的联合优化算法实时预测所需LED功率。该算法优化了神经网络的初始权值和阈值,克服了种群易陷入局部极小的缺点,同时也加快了收敛速度,将优化好的神经网络用于预测LED功率减小了误差。具体措施是将由传感器实时采集的洞外亮度、车流量及其车速、能见度作为照明控制系统的输入量,经过计算所得的隧道照明的调光值作为照明控制系统的输出量,搭建一个4个输入1个输出的控制模型,用混合粒子群优化神经网络对监控数据进行训练分析,拟合输入输出的关系,最终实现实时预测调控的目的。以赣州市尖峰岭隧道的真实数据进行设计,Matlab仿真结果表明,基于HPSO-BP神经网络算法比传统BP神经网络算法在预测精度和收敛速度性能上表现得更加优秀,可以达到实时预测调控的要求,减少了照明能耗。     

基于调节优化BP神经网络的高校教学管理评估研究

为了提高高校教学管理评估的有效性与智能性,将粒子群优化BP神经网络算法运用于高校教学管理评估数据的分析。采用BP神经网络对教学管理评估指标进行建模,然后采用粒子群对神经网络传递函数的权重和阈值进行深入优化,保证BP神经网络的输出能取得全局最优解。经过实验证明,所提算法对高校教学管理评估对象的预估值与实际值拟合性好,有较强的推广价值。     

混合粒子群算法优化神经网络的研究

针对BP神经网络初始权阈值的确定所具有的随机性和各个隐含层神经元数的不确定性,通过利用混合粒子群优化算法来同时优化神经网络的初始权阈值和结构.首先通过混合粒子群优化算法来确定一个较好的搜索空间,然后在这个解空间里再通过BP算法对网络进行训练和学习,搜索出最优的网络结构和权阈值.通过Iris模式分类、Wine模式分类问题和广义异或问题来对该模型进行训练和测试,相比遗传算法等其他算法,该模型可以获得更高的正确识别率,结果表明此方法是可行的.     

基于BP神经网络的RSSI测距优化算法

基于接收信号强度指示(received signal strength indication, RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.     

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.     

基于WiFi-BP的室内定位算法

针对设备差异性造成信号偏差从而影响定位精度的问题,提出了一种结合BP神经网络和加权质心定位算法的室内定位算法。文中通过离群点检测算法对不同手机的RSSI数据进行清洗,并以清洗后的数据作为BP神经网络的数据源进行模型训练,得到了一种稳定的非线性的BP模型。在此基础上,结合改进的室内定位算法进行室内定位。实验结果表明,文中所提定位算法的均值误差、最小误差和最大误差分别为为0.58 m、0.24 m和1.06 m,定位精度明显高于现有的同类算法。     

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%。     

基于混合PSO小波网络的网络异常检测

提出一种用新型的进化学习算法训练的小波神经网络(WNN).这种新型的进化学习算法是基于粒子群算法(PSO)和共轭下降法(CG)提出的.以往,将粒子群算法用于神经网络的训练一般是可行的.因为粒子群算法相比于其他的优化算法,具有相对简单的结构和快速的收敛速度,然而,由于粒子的搜索坍塌速度过快而导致粒子停滞这种潜在的危险.粒子的持续停滞使搜索结果很难达到全局最优,甚至会陷入局部最优.为了克服粒子群算法缺点提出了改进的混合算法.通过对KDD 99数据集的实验表明,利用新型混合算法训练的小波神经网络对于异常检测具有很高的异常检测率并且又较低的误判率.可见,该方法对于网络异常检测是有效的.     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

用于电力数据管理分析的负荷预测与异常检测

构建了一个电力数据管理分析系统,并设计了电力负荷预测算法和异常数据检测算法问题。首先,针对BP神经网络在预测电力负荷存在的因初始权值与阈值设置影响估计精度的问题,提出利用粒子群优化BP神经网络网络参数,提高了预测算法的收敛速度与预测精度;然后,针对电力数据异常检测算法效率较低的问题,提出了基于改进谱聚类的异常数据检测算法,提升了电力异常数据检测效率;最后,通过实际电力数据对算法进行了测试,验证了所提算法的有效性。     

混合粒子群和差分进化的定位算法

针对传统无线传感器网络(wireless sensor network,WSN)中节点定位精度不高的问题,提出了一种混合粒子群(particle swarm optimization,PSO)和差分进化优化(differential evolution,DE)算法。首先在PSO中引入惯性权重的自适应更新策略,以兼顾开发和勘探能力,在种群经过PSO进化后,然后根据提前设定的阈值,将其分为适应度值较大的Su种群和适应度值较小的In种群,In中的粒子使用DE算法继续优化。HPSO-DE算法结合PSO算法和DE算法的优点,达到较好的性能。然后用标准测试函数来检测该算法的性能,验证结果表明所提出的HPSO-DE在寻优速度和收敛精度较PSO和DE而言都有了较大提高。接下来将HPSO-DE方法应用到WSN网络节点定位场景上,从实验测试结果可以看出,其精度相比PSO平均提高了0.5 m左右,在定位上具有更大的优势。     

基于可见光通信的BP神经网络室内定位算法

提出一种基于可见光通信的BP神经网络室内定位算法,首先通过MDS-MAP算法和最小二乘法获得全网节点的相对坐标,再利用信源节点的坐标信息得到网络内所有节点的绝对坐标,最后通过单隐层BP神经网络优化定位结果。仿真结果表明,该算法比MDS-MAP算法和MDS-MAP(P)算法的相对定位误差小,应用于室内定位可以得到更高的定位精度。     

基于粒子群算法的BP 神经网络在大气 NO2 浓度预测中的应用研究

NO2 是主要的大气污染气体之一, 在大气光化学过程中起着重要作用。研究 NO2 浓度的时空演变, 预测其浓 度变化趋势, 对政府出台改善环境措施具有重要意义。提出利用粒子群算法 (PSO) 的反向传播 (BP) 神经网络对大气 NO2 浓度进行预测。以合肥地区 2017 年 1 月 1 日至 2019 年 12 月 31 日的大气污染数据和气象数据为基础, 结合逐步 回归方法筛选出与 NO2 浓度相关性较大的影响因子作为输入样本。构建 PSO-BP 神经网络预测模型, 利用 PSO 找出 BP 神经网络最优的初始权值和阈值。对比 BP 神经网络、遗传算法改进的 BP 神经网络和 PSO 改进的 BP 神经网络 三种模型的预测结果, 发现 PSO-BP 模型能够较为准确地预测出 NO2 浓度的动态变化规律, 并且预测精度高、模式简 单, 有望广泛应用于大气污染物浓度预测等方面的研究。