基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果.     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果。     

基于PSO-FCM的长输管道泄漏检测方法

为了提高长输管道泄漏检测的准确率,将改进模糊C均值算法应用于长输管道泄漏检测研究.在传统模糊C均值算法的基础上引入粒子群算法,对其寻找聚类中心的迭代过程进行优化,用粒子群算法替代模糊C均值的梯度下降法,以提高模糊C均值算法的聚类效率和准确率.然后分别用所得的基于粒子群优化的模糊C均值聚类模型、传统模糊C均值聚类模型以及3层BP(Back Propagation)神经网络分类模型对同一组管道泄漏检测实验数据进行处理.对比实验结果证明,基于粒子群优化的模糊C均值算法其性能优于传统的模糊C均值算法和3层BP神经网络,将其模型应用于长输管道泄漏检测的方案可行.     

神经网络在股票市场预测中的应用

本文分析了人工神经网络的缺陷的特点,提出了基于粒子群优化算法的神经网络模型算法.该算法利用粒子群算法全局寻优能力强等特点,可克服神经网络易陷入局部极小值、训练速度慢的缺陷。通过股票市场的仿真结果表明:基于粒子群算法的神经网络具有较好的全局快速收敛和较强的逼近等性能。     

基于q-高斯的模糊神经网络在飞机作战效能评估中的应用

为了增强模糊神经网络的自学习和自适应能力,提出基于q-高斯的模糊神经网络评估飞机作战效能.采用q-高斯函数作为模糊神经网络的模糊隶属度函数,利用量子粒子群算法优化基于q-高斯的模糊神经网络参数,将非广延熵指数q编码为粒子并随着种群的进化自适应地调整.通过评估飞机作战效能,结果表明,基于q-高斯的模糊神经网络作战效能评估的结果更准确,自学习和自适应能力更强.     

基于改进粒子群深度神经网络的频率域航空电磁反演

传统的梯度反演方法依赖于初始模型选取,且容易陷入局部极小,在一定程度上影响着反演的求解精度和收敛速度,为此,提出一种基于改进粒子群深度神经网络的频率域航空电磁反演方法。首先,通过频率域航空电磁模型正演获取样本数据集;随后,依据样本数据集建立深度神经网络的基本框架,网络的输入为归一化垂直磁场分量,输出为相应地电模型参数;第三,提出一种惯性权重振荡衰减措施在粒子群优化算法的基础上进行改进,以提高粒子群优化算法的全局寻优能力,并利用改进的粒子群优化算法优化深度神经网络的训练过程,得到连接权值与阈值的最优解;最后,将最优的权值与阈值作为网络的初始值,并利用该网络对未知地电模型进行反演测试。利用层状地质模型测试改进粒子群深度神经网络算法、粒子群神经网络算法和单一的神经网络算法的反演效果,并将此方法运用于实测航空电磁数据反演。研究结果表明:本文提出的改进粒子群神经网络算法充分结合了粒子群优化算法的全局寻优性能和深度神经网络的局部寻优性能,在反演过程中能有效避免反演陷入局部极小,寻找到全局最优解,并能准确地反演出地电模型参数;与粒子群神经网络算法和单一的神经网络算法相比,本文提出的方法具有更高的求解精度和收敛速度。     

基于模糊聚类的粒子群神经网络预测卷取温度

影响热轧带钢卷取温度的因素多而且复杂,采用传统的温度预测模型难以达到较高的精度。为了满足卷取温度高精度预测的要求,将模糊聚类分析、神经网络、粒子群算法结合起来,提出了一种基于模糊聚类的粒子群神经网络用于预测卷取温度。运用现场实际数据测试表明,该方法预测卷取温度效果良好。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于模糊聚类的粒子群神经网络预测卷取温度

影响热轧带钢卷取温度的因素多而且复杂,采用传统的温度预测模型难以达到较高的精度.为了满足卷取温度高精度预测的要求,将模糊聚类分析、神经网络、粒子群算法结合起来,提出了一种基于模糊聚类的粒子群神经网络用于预测卷取温度.运用现场实际数据测试表明,该方法预测卷取温度效果良好.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于粒子群优化的高维小波神经网络及其应用

本文提出一种粒子群优化小波神经网络的新方法.先采用基于梯度下降的误差反传算法调整小波神经网络参数,再使用粒子群算法修正,从而建立了粒子群优化的高维小波神经网络,并将该方法用于构建热连轧产品质量模型.仿真结果表明,此模型提高了预测精度和收敛速度.     

一种新的求解优化问题的混合粒子群算法

将粒子群优化算法与一种自适应局部搜索算法相结合,提出了一种新的混合粒子群优化算法,使粒子群算法寻优过程中的全局搜索能力和局部搜索能力良好平衡;采用了典型函数和模糊神经网络优化问题对算法性能进行测试,并与其它方法进行比较.实验结果表明,这种混合粒子群优化算法能获得质量更好的解,具有较高的收敛性,特别是在高维复杂函数优化上具有很强的竞争力,其性能大大优于单一的优化方法.     

一种改进的粒子群优化算法研究

针对标准粒子群优化算法存在过早收敛的不足,在对算法全局寻优和局部寻优性能分析的基础上,本文对标准粒子群优化算法的惯性权重因子采用非线性自适应的策略进行更新,提出了一种非线性自适应粒子群优化算法(NLDPSO算法),实验中分别选择单模态S函数和复杂多模态G函数对本文所提出的算法精确性、稳定性、快速性进行验证,仿真结果表明NLDPSO算法的综合寻优性能远远优于改进前算法。     

基于粒子群优化的网络安全态势要素获取

针对网络安全态势感知中态势要素获取困难问题,给出一种基于粒子群优化的网络安全态势要素获取模型.在获取模型中,引入模糊技术对输入的历史态势要素集进行模糊化预处理后,转化为模糊逻辑规则,映射到神经网络层与层之间,以提高神经网络的学习能力.利用粒子群优化算法优化神经网络的连接权以提高神经网络的学习精度和速度.仿真实验结果表明,该模型是一种有效可行的态势要素提取技术,并具有较好的泛化能力.     

改进量子粒子群优化算法的神经网络模型负荷预测

提出一种基于Levy飞行的量子粒子群优化算法并用于小波神经网络的训练,该算法采用基于Levy分布的飞行策略扩大粒子的搜索空间,使粒子易于逃离局部最优点。该算法克服了传统算法在神经网络训练过程中易于陷入局部最优、收敛速度慢等缺点,提高了神经网络的泛化能力。最后将改进的量子粒子群优化算法训练小波神经网络应用于电力系统负荷预测的模型,仿真结果表明改进的量子粒子群优化算法在神经网络训练上具有更高的预测精度。     

基于粒子群优化的核模糊属性c-均值聚类算法

为克服核模糊属性c-均值聚类算法易陷入局部最优解的缺点,提出一种新的基于粒子群优化的核模糊属性c-均值聚类算法.该算法根据核模糊属性c-均值聚类准则设计适应度函数,利用粒子群优化算法对聚类中心进行优化,在粒子迭代进化过程中采用动态调整学习因子,提高算法的优化性能.实验表明,本文算法优于单一使用核模糊属性c-均值聚类算法和基于粒子群优化的核模糊c-均值聚类算法,也优于目前常见的典型聚类算法.     

基于模糊聚类的粒子群优化算法

粒子群优化算法(PSO)的基础上,提出了基于模糊C-均值聚类(FCM)算法的粒子群优化算法.该算法在每次迭代过程中首先通过FCM算法把粒子群体分成若干个子群体,然后粒子群中的粒子根据其个体极值和子群中的最优粒子更新自己的速度和位置值.通过典型复杂函数测试表明,基于模糊C-均值(FCM)的粒子群优化算法的优化性能和效率远远超过基本粒子群优化算法.     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。