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.     

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。     

一种新的优化神经网络权值算法及其应用

为克服和改进BP算法的不足,文章在分析遗传算法(GA)和粒子群优化(PSO)算法优越性与不足的基础上,提出了一种基于GA和PSO结合的算法——GA-PSO算法,用于训练神经网络权值.算法产生下一代个体时,不仅采用交叉和变异算子,而且在重新定义局部最优粒子的基础上,引入粒子群优化算法,有效地结合了遗传算法的全局收敛性能和粒子群优化算法的局部搜索能力.通过对异或问题和IRIS模式分类问题的学习,仿真结果明显好于单纯地用GA或PSO进行前向神经网络训练,能有效避免早熟收敛的同时,提高搜索精度.     

一种基于粒子群优化算法的神经网络训练方法

介绍了粒子群优化(PSO)算法的原理,研究了将PSO算法应用于神经网络训练的方法,给出了算法软件实现的基本流程,并对Iris分类问题做了仿真实验,通过与BP算法的比较,结果表明基于PSO的神经网络训练算法操作简单,易于实现,而且训练精度较高,有良好的收敛性.     

基于神经网络——粒子群优化算法的医学图像分割新方法

提出了一种基于神经网络——粒子群优化算法的医学图像分割新方法,将粒子群优化算法用于神经网络的学习训练,克服了神经网络收敛速度慢,以及容易收敛到局部最优解的缺点。并与遗传算法进行了比较,结果表明,该方法不仅能更快地收敛于最优解,而且在分割准确率、误差率以及运行时间上也都有了较明显的提高。     

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.     

基于粒子群蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

基于粒子群优化和模拟退火的神经网络优化研究

文章把模拟退火思想引入到粒子群优化算法中,提出一种关于神经网络结构的优化设计方法,用于同时完成对网络结构空间和权值空间的搜索。算法对神经网络的结构和权值进行了优化,删除了网络中的冗余结点和权值,提高了网络的处理能力。实验结果表明,算法能够有效抑制粒子群优化算法不成熟收敛的发生,有效提高前馈神经网络的收敛精度和收敛速度,表现出良好的性能。     

利用Alopex改进的粒子群优化算法及其在软测量建模中的应用

提出了一种利用A lopex算法改进的粒子群优化算法,并将其应用于神经网络的建模中。改进的粒子群优化算法改善了粒子群优化算法摆脱局部极小点的能力,对典型函数的测试和基于神经网络的软测量建模表明:改进算法的全局搜索能力有了显著提高,特别是对多峰函数能够有效地避免早熟收敛问题。     

基于粒子群优化的设备状态分类器设计

以某设备中的减速箱为研究对象,建立了BP神经网络,采用粒子群优化算法训练神经网络,设计一个状态分类器,用于检测减速箱的当前状态。结果表明,基于粒子群优化的神经网络具有良好的训练性能,能快速地收敛于最优解;样本输出结果较理想值误差较小,分类器的识别结果完全符合实际情况。该分类器可以有效准确地识别减速箱的运行状态,为进一步故障检测提供了有效工具。     

改进粒子群优化神经网络及其在产品质量建模中的应用

针对传统神经网络优化算法易陷入局部最优值的问题,在标准粒子群算法的基础上,对粒子速度与位置更新策略进行改进,提出一种基于改进粒子群优化算法的BP神经网络建模方法. 使用sinc函数、波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证. 结果表明,与标准的反向传播神经网络和支持向量机相比,基于改进粒子群优化的神经网络模型可以有效提高预测精度.     

粒子群优化深度交叉神经网络推荐算法设计研究

深度交叉网络(DCN)因无法针对不同的数据集准确设置超参数,导致点击率预估模型无法达到最优解。基于此,提出粒子群优化深度交叉神经网络推荐算法(PSO-DCN),该算法通过使用粒子群优化算法的全局搜索特性,对深度交叉神经网络层数及每层神经元个数进行全局搜索,并将其最优值放入DCN模型中运行进行参数优化。在不同的数据集上,进行数次实验对比,实验结果表明PSO-DCN在模型训练速度以及测试集上的表现都较优于当前流行的基于深度学习框架的推荐算法。     

粒子群优化算法综述

粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术,通过粒子间的相互作用发现复杂搜索空间中的最优区域,优势在于简单容易实现而且功能强大.由于它简单易操作的特点,PSO—提出,立刻引起演化计算等领域学者们的广泛关注,并在函数优化、神经网络训练、工业系统优化和模糊系统控制等领域得到了广泛的应用.介绍了基本的PSO算法、若干类改进的PSO算法及其应用.     

基于粒子群优化的神经网络算法的英语翻译

近年来出现的粒子群优化算法与神经网络相结合,可以有效地提升全局搜索最优的能力,同时也提升了收敛的速度。将粒子群算法与神经网络结合应用于英语教学,通过对提取的学生翻译样本进行学习训练,用训练好的粒子群优化的神经网络模型对学生的英语翻译能力进行正确程度的分析,帮助教师估计学生的翻译能力水平,为下一步的教学提供参考。深入从粒子群优化算法的数学模型和算法流程何人工神经网络模型的基本原理出发,提出了学习能力分析模型,确定该模型的神经网络的拓扑结构和隐藏层的节点数。案例应用结果表明,该研究模型可以促进英语翻译教学质量的提高和教学相长。     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。