基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.     

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.     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

改进小波神经网络的C4ISR安全态势预测方法

提出了一种基于改进小波神经网络优化参数的指挥信息系统安全态势预测方法.该方法通过改进的小生境遗传算法构建了基于小波神经网络优化参数的网络安全状况预测模型,利用自适应遗传算法对小波神经网络参数进行调优,增强其搜索能力.同时,为解决自适应遗传算法容易陷入局部最优且收敛速度慢的问题,提出利用小生境技术和模糊聚类技术来处理.仿真实验结果表明,与传统算法相比,所提算法具有更快的收敛速度和更好的预测精度.     

基于灰色关联度的粒子群优化BP在辛烷值预测中的应用

提出了基于改进的灰色关联度的粒子群优化BP神经网络的方法,将其应用到辛烷值预测研究;通过实例分析,并与传统的BP神经网络进行对比,说明该模型的预测精度高、算法稳定、泛化性能好,更适合于生产控制的需要.     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

基于天气类型及改进的小波神经网络的光伏发电短期预测

本文提出了一种基于天气类型和季节类型,以布谷鸟算法优化小波神经网络的光伏发电短期预测方法.首先,分析气象因子的特征,并利用皮尔逊相关系数计算气象因子与光伏发电之间的相关性,作为预测神经网络的输入向量;其次,为了避免小波网络的结构不稳定以及由于局部极小值容易陷入预测结果误差太大的问题,提出了利用布谷鸟算法优化小波神经网络...     

基于改进的布谷鸟搜索光伏电池模块参数识别与仿真

光伏电池模块参数识别是一个具有多个局部极值的非线性优化问题,传统的优化技术很难进行精确识别.基于交叉熵方法构建一种改进的布谷鸟搜索,该方法利用交叉熵全局优化算法和布谷鸟搜索的协同演化来快速而精确识别光伏模块参数.实验结果表明所构建的算法用于识别光伏模块参数是可行和有效的,且具有全局搜索能力强、优化精度高和鲁棒性好等特性.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

一种有效的水下目标波达角估计方法

为提高水下目标波达角(direction of arrival,DOA)估计精度,提出一种基于布谷鸟搜索算法的最大似然DOA估计法.该方法将布谷鸟搜索算法中影响布谷鸟搜索路径的多个参数由固定值改为自适应的动态参数,不仅改进了算法的精度,而且大幅度地提高算法的收敛速度.应用改进后的布谷鸟搜索算法优化基于分数低阶空时矩阵的最大似然DOA估计函数,使水下目标DOA估计在准确的前提下更加迅速.仿真结果表明,无论是在多途环境下还是无多途环境下,该方法都能有效地对水下目标进行DOA估计,而且具有很高的收敛速度,因此该方法具有一定的实际应用前景.     

基于改进多目标布谷鸟算法的污水处理优化控制方法

针对如何确定污水处理优化控制中关键变量的最优设定值,以满足出水水质达标的同时尽可能降低能耗的问题,提出一种基于改进多目标布谷鸟算法的污水处理多目标优化控制方法.首先,通过对污水处理过程的分析,建立基于神经网络的污水处理能耗和出水水质模型;其次,利用改进多目标布谷鸟算法同时对污水处理能耗和出水水质模型进行优化,得到溶解氧和硝态氮浓度的优化设定值;最后,利用PID控制器对关键变量的最优设定值进行跟踪控制,实现污水处理过程的多目标优化控制.仿真实验结果表明,与其他几种方法相比,所提出的方法在保证出水水质参数达标的前提下,更好地降低了污水处理过程的能耗,实现节能降耗和保护环境的目的.     

基于IPSO-GNN的油田指标预测模型研究

针对油田开发指标预测问题,提出将灰色神经网络(GNN)与改进粒子群算法(IPSO)相结合的组合预测模型(IPSOGNN),通过IPSO对GNN的a、u参数进行优化,改善了GNN的不足,有效地保证了预测精度。以油田开发指标中的含水率作预测算例,仿真结果表明:此模型的预测精度高于灰色预测模型、灰色神经网络以及BP神经网络模型,同时也表明了此方法的可行性与有效性。     

基于优化遗传算法的灰色-RBF神经网络预测模型研究

根据灰色系统、RBF神经网络的模型及遗传算法原理,提出了一种基于灰色系统与改进的遗传算法RBF神经网络的系统预测模型,采用改进的遗传算法对该模型进行全局优化,最后用实验验证了模型的有效性,对比分析了单独使用GM(1,1)和RBF神经网络模型的预测结果.结果证明,优化后的预测模型的预测精度高于另外两种模型的预测结果.     

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。     

神经网络技术在织机生产状况预测中的应用

为提高织机生产效率,研究了基于优化神经网络的织机生产运转状况预测方法.针对BP网络模型的缺点,在反复实验的基础上对BP网络参数、算法进行改进,建立了织机生产运转状况预测模型,并与传统的BP神经网络预测方法进行比较.实验结果表明,利用改进的BP神经网络预测织机生产运转状况时,网络收敛速度快,预测精度高,优于传统的BP网络...     

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.     

基于IVMD-CS-LSTM的超短期风电功率预测算法设计

功率预测对提高风电电能质量、减少风电并网时对电网的冲击起着重要作用.针对风电功率数据特征，提出一种基于改进变分模态分解（Improved Variational Mode Decomposition,IVMD）的长短期记忆神经网络（Long-Short Term Memory Network,LSTM）的风电功率预测算法，并利用布谷鸟（Cuckoo Search,CS）算法对LSTM进行超参数寻优.首先，通过相关性分析，对风电场10类数据进行特征筛选，确定与功率相关性最大的两类数据作为模型的输入数据.接着，利用IVMD计算最大包络线峰度，确定变分模态分解的最佳分解参数，将原始风速序列进行分解，得到时间尺度各异的本征模态分量（Intrinsic Mode Functions,IMF）.最后，针对LSTM神经网络模型的超参数优化困难、难以得到最优解等问题，提出采用CS算法对关键超参数进行寻优，建立了IVMD-CS-LSTM预测模型，得到了风电功率短期预测结果.采用实际风电场数据对算法进行测试，与常用预测算法比较，预测结果有更高的精度.     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.     

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.