一种无线传感器网络节点的故障检测算法

在无线传感器网络(WSN)中,容易因为故障节点存在冗余的故障属性、噪声数据以及数据可靠性等问题,从而产生传输错误数据,这将极大地消耗WSN节点中能量和带宽,向用户形成错误的决策。为此,提出了基于蚁群算法和BP神经网络模型的WSN节点故障检测方法。通过使用蚁群算法,使用户通过寻找优化路径来定位WSN节点的位置,通过这种随机搜索算法以及蚁群算法的搜索策略使用户对WSN故障节点的位置进行总体把握。然后又基于BP神经网络模型对获取的WSN故障节点信息进一步学习,在数据训练过程中,依据WSN故障节点预测误差,并进一步调整网络的权值和阈值,增加了故障诊断的精度。采用的算法对检测WSN故障节点具有较好的性能,使无线传感器网络的服务质量大大提高,增强了系统的稳定性,实验结果验证了算法的可行性和有效性。     

基于粒子群与BP混合算法的神经网络学习方法

针对标准BP算法收敛速度慢及易陷入局部极值等问题,提出一种基于粒子群优化与BP混合算法的神经网络学习方法。该方法在网络的训练过程中,同时利用粒子群算法与BP算法进行最优网络权值的搜索,从而既充分利用了粒子群算法的全局搜索性又较好地保持了BP算法本身的反向传播特点。将该混合学习算法应用于复杂函数的拟合仿真,并与标准BP算法以及传统的粒子群优化BP神经网络学习算法进行比较。实验结果表明所提的混合学习算法具有较高的收敛精度,且收敛速度更快。     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

改进的BP神经网络算法及其应用

为了进一步优化神经网络算法,提高网络神经算法的速率并提高其稳定性,就现有BP算法所存在的收敛速度慢以及容易陷入局部极小值的弊病,我们将进一步通过一般改进算法解决在神经网络结构优化过程中依然无法解决的问题。依据遗传算法的特征,进一步在经过改进的压缩映射遗传的基础上提出了BP神经网络优化方案。泛函分析中压缩映射原理的应用,一方面解决了困扰人们的BP神经网络算法所固有的缺点,显著地提高了神经网络算法的收敛速度,而且解决了BP神经在运行的过程中和网络连接权值初值的取值紧密相连的缺点。经过大量的计算我们得到如下数据:经过优化改进后,训练时间节约了8.3%,训练步数降低了近17.4%。经过大量的研究实验表明:经过改进后的BP神经网络算法取得了良好的效果,十分具有应用价值。     

基于和声蚁群耦合算法的风电机组齿轮箱故障诊断

基于和声搜索和蚁群算法优化后的BP神经网络,提出一种风电机组齿轮箱故障诊断方法。将蚁群算法的信息素更新机制用于和声搜索算法中,提高和声搜索算法的收敛速度,并利用和声搜索算法的个体扰动策略和随机搜索机制改善蚁群算法过早收敛的问题。利用该方法对BP神经网络的权值和阈值进行优化,克服BP神经网络算法易陷入局部最优解的缺点,提高神经网络的训练效率和收敛速度。测试结果表明,该方法诊断结果正确且精度高,将经和声蚁群耦合算法优化后的BP神经网络用于风电机组齿轮箱故障诊断是有效的。     

基于蚁群优化算法的神经网络训练的研究

在ACO算法原理及框架的基础上，将蚁群优化算法引入神经网络的训练中．提出了ACO训练神经网络的基本原理和方法步骤。并与遗传算法、模拟退火算法、加动量项的BP算法相比，仿真结果表明，用ACO算法训练的神经网络具有较快的收敛速度．能够达到较小的均方误差值。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

基于非均匀分簇和蚁群神经网络的WSN数据融合算法

为了确保无线传感器网络在列车车厢中能高效稳定地工作,提出了一种基于蚁群优化神经网络的数据融合算法 (DFA-IACOBP)。该算法将无线传感器网络非均匀分簇结构与神经网络结构相结合,建立一个基于非均匀分簇路由神经网络的无线传感器网络数据融合模型。在非均匀分簇路由算法中,候选簇头根据竞争半径构造出大小不一的簇,并在每个簇中竞选出两个簇头。主簇头负责簇内信息采集和处理,副簇头承担簇间信息转发,神经网络的权值和阈值由蚁群算法优化寻得,优化后的神经网络能从存在大量冗余数据的无线传感器网络提取有效特征数据并传输至汇聚节点。仿真结果表明:DFA-IACOBP算法能大幅降低网络中冗余数据,减少网络数据通信量,提高特征数据采集效率和网络整体性能。     

混沌蚁群算法在瓦斯爆炸性检测仪中的应用

针对瓦斯爆炸性检测仪传感器在实际生产中因构造和环境因素所产生的输入、输出非线性问题,将混沌蚁群算法和BP神经网络算法应用到瓦斯爆炸性检测仪中,提高瓦斯传感器精度.通过混沌蚁群算法对BP神经网络进行优化,改善BP神经网络收敛速度慢、容易陷入局部最优的缺点.实验结果表明:基于混沌蚁群优化算法的BP神经网络能够提高瓦斯检测系统的精度.     

改进差分进化算法优化BP神经网络用于入侵检测

为解决BP神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(SAMDE)优化BP神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(SA)和一种融合DE/rand/1与DE/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化BP神经网络权值阈值。通过逐次的迭代训练使BP神经网络收敛,将优化过的BP神经网络用于入侵检测。仿真实验结果显示,优化的BP网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。     

DEM中基于遗传与蚁群的混合路径规划算法

现有启发式算法在DEM路径规划中因数据量巨大,效率较低。针对该问题,提出一种基于遗传和蚁群的混合路径规划算法。该算法在遗传过程中,通过在初始群体生成阶段构建选择因子,使得在节点搜索时更加倾向于终点方向,提高初始群体生成效率;对变异过程中变异节点的变异区间进行限制,避免产生路径断点;在蚁群寻优过程中,根据遗传过程产生的路径信息,采用自适应信息素初始化与更新策略,提高算法搜索效率。测试结果表明,混合算法能够在规则网格DEM数据下搜索出符合条件的路径,并具有较好的效率。     

变尺度混沌算法的BP网络优化*

采用变尺度混沌优化方法代替梯度下降法融入BP神经网络,在优化搜索过程中不断缩小搜索空间,克服了标准BP算法易陷入局部极小的缺点,能有效地寻找到BP神经网络权值的全局最优值。此外,进一步提出变尺度混沌优化与梯度下降法有机结合的算法,能有效缩短单一的变尺度混沌优化BP算法的训练时间。仿真结果表明,改进的BP神经网络具有实现简单、寻优性强和优化效率高等特点。     

基于蚁群算法的BP网络优化算法

将BP网络的训练误差和检验误差用于引导蚂蚁行经路径上的信息更新机制和选择机制,并据此计算蚂蚁行径中的转移概率;又将蚂蚁行经路径上的存储单元存放的参数值赋予BP网络训练,而存储单元存放的参数和训练误差值亦随BP网络训练误差的调整而改变。通过交互迭代优化,最终得到调整后的BP网络的最佳参数值。数值模拟计算结果表明:与传统的BP算法相比,在达到同一数量级的训练误差情况下,基于蚁群算法优化参数的BP算法训练次数少,而模型的精度高,在一定程度上提高了BP网络的学习能力和泛化能力。     

WSN中基于蚁群算法的QoS路由协议

蚁群算法的随机自适应性使得它很适合应用于无线传感器网络( WSN)环境中,所以本文针对WSN中的数据拥塞、传输延迟、能量消耗等问题,提出了一种基于蚁群算法的QoS路由协议.协议将如何搜索最佳路径问题抽象为组合规划问题,根据最小费用流规则定义了高带宽和低时延路径的判决条件,利用蚁群优化算法,寻找到不同目标函数的路径,达到...     

基于蚁群算法和BP神经网络的信道分配策略的研究

研究无线传感器网络信道分配策略的主要目标是提高网络吞吐量和容量,减小网络的传输时延,最大限度的利用有限的网络带宽资源。多信道MAC协议的应用,可以有效地提高网络通信的可靠性和吞吐量,以及解决由于信道受干扰而造成的网络瘫痪等问题。根据无线传感器网络多信道的特点提出了一种基于蚁群算法的动态反馈负载均衡信道分配策略。本策略首先应用BP神经网络对信道负载情况进行预测,然后通过基于蚁群算法的负载均衡算法对信道进行筛选,最后利用最大离散化算法进行信道分配。在NS2平台下对所设计的协议进行了仿真实现,并与应用最为广泛的多信道MMAC协议以及SMAC进行了对比分析。根据仿真结果可知,本文设计的MAC协议在网络吞吐量、网络传输时延等性能方面比MMAC协议及SMAC都有了很大程度的提升。可以有效减小网络传输时延,提高网络吞吐量和抗干扰能力。     

ACO—BP在神经网络训练中的研究与应用

针对神经网络收敛速度慢、易于陷入局部最优等问题,可将蚁群算法与人工神经网络相融合的方法来解决,但容易出现训练时间与训练精度、泛化能力之间的矛盾.为解决上述矛盾,提出将蚁群优化算法与反向传播算法相融合共同完成神经网络训练的方法.算法首先采用蚁群优化算法对网络权值进行整体寻优,克服反向传播算法容易陷入局部最优的不足再以找到的较优的权值为初值,采用反向传播算法做进一步的寻优,克服单一训练网络时间较长、精度不高的缺点.最后对ACO-BP与反向传播算法进行了比较,给出两种算法在不同隐结点数目下的检验误差值和两种网络在矿选指标中的应用效果.通过对实验结果的分析.表明ACO-BP算法要优于反向传播算法.     

基于蚁群算法的神经网络在企业资信评估中的应用

BP算法在资信评估中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。提出一种新的企业资信评估模型，该模型将蚁群算法和神经网络结合起来，使其既具有神经网络的广泛映射能力，又有蚁群算法带来的高效率，全局收敛，分布式计算等特点。实验表明,基于蚁群算法的神经网络对企业资信评估有着良好的性能。