改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

粒子群优化RBF神经网络的短时交通流量预测

根据交通流量数据具有非周期性、非线性和随机性等特点,为了更准确地对交通流量进行预测,实现交通智能控制和规划是主要问题.交通流量预测中存在容易陷入局部极小值、收敛速度慢,泛化能力差等问题,影响了交通流量预测的实用性和准确性.提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法.利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对短时交通流量进行仿真预测,仿真结果表明,PSO算法优化的RBF神经网络具有较高的预测精度,比RBF预测模型精度高、收敛快.PSO算法优化的RBF神经网络,适用于短时交通流量预测,预测精度较高,具有推广应用价值.     

神经网络在股票价格预测中的研究

研究准确优化预测股票价格问题,针对影响股票价格具有非线性、不稳定的特征,股票价格由于受到社会经济因素的影响,变化大.采用传统神经网络方法在股票价格预测中易陷入局部极小值,泛化能力受到影响.为了提高股票价格精度,提出一种基于粒子群优化算法(PSO)的RBF神经网络(RBFNN)股票价格预测模型.利用粒子群优化算法的良好的寻优能力,对RBF神经网络参数进行优化,从而加快RBF神经网络运算速度,并提高了RBF神经网络的预测精度.利用粒子群优化的RBF神经模型对上证指数(000001)股票价格进行了验证性测试和分析,实验结果表明,相对于各参比模型,经过粒子群优化的RBF神经网络模型预测方法有更好的收敛性,更强的学习能力,显著地提高了预测精度,可为预测提供依据.     

基于粒子群优化的RBF神经网络模型研究

在本文中,提出了采用粒子群算法来优化RBF神经网络,并建立了这种新的混合模型。在这个粒子群和RBF神经网络的混合模型中,粒子群优化算法应用于选择中心节点和隐藏节点的宽度以及输出向量方面,对RBF神经网络建立了5个输入节点,6个隐藏节点和一个输出节点。通过对粒子群优化的RBF神经网络模型对一些地区的结核病发病趋势进行预测,得出这种混合模型对结核病发展趋势进行预测能够取得较好的预测结果。     

基于MPSO-RBF的瓦斯涌出量预测研究

我国煤矿的重大灾害事故中70%以上是瓦斯事故,煤矿瓦斯是影响煤矿安全生产的重要因素;针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山带来的危害极大的问题,引入了基于改进PSO算法的RBF神经网络的混合优化算法(MPSO-RBF算法),即将PSO算法的全局搜索能力和RBF神经网络局部优化相结合,并建立了瓦斯预测模型;仿真与实际数据验证表明,优化算法所求的最优解具有良好的收敛能力,瓦斯涌出量的预测结果与实际值的误差在+1.44%至-0.63%之间,改进的粒子群算法优化的RBF神经网络对瓦斯涌出量预测能达到良好的效果。     

QGA-RBF神经网络在矿井瓦斯涌出量预测中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,利用QGA算法优化RBF神经网络的参数,建立了瓦斯涌出量的预测模型,并使用MATLAB进行仿真研究。结果表明,经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。     

粒子群算法优化神经网络的旅游热门景点预测模型

旅游热门景点预测是当前旅游管理研究领域中的热点,针对传统旅游热门景点预测模型无法准确描述旅游热门景点的变化特点缺陷,为了提高旅游热门景点预测精度,提出基于粒子群算法优化神经网络的旅游热门景点预测模型。首先分析当前国内外对旅游热门景点预测问题研究方法,得到旅游热门景点具有较大非线性变化特点,这也是导致当前旅游热门景点预测错误大原因,然后引入非线性建模能力强的RBF神经网络描述旅游热门景点的非线性变化特点,并对RBF神经网络参数进行优化,建立最优的旅游热门景点预测模型,最后与传统旅游热门景点预测模型进行了对比测试,结果表明,粒子群算法优化神经网络可以更好的跟踪旅游热门景点变化规律,旅游热门景点预测精度要明显优于传统旅游热门景点预测模型,而且旅游热门景点预测效率也更高,能够满足旅游热门景点在线预测要求。     

QGA-RBF网络在无线传感瓦斯监测系统中的应用

煤矿的安全事故中有80%以上为瓦斯事故,为了更加准确的预测瓦斯涌出量,使得煤矿安全进一步得到保障,采用足够的具有代表性的瓦斯检测数据作为样本,在无线传感瓦斯监测系统为模型的基础上,对采用QGA算法改进后的RBF神经网络算法建立的瓦斯涌出量预测模型进行瓦斯预测研究。并采用MATLAB进行仿真研究,结果表明经过优化后的预测模型较单一的RBF网络模型有更好的预测精度,可以为煤矿瓦斯防治提供理论依据。     

ACOA-RBF网络模型在短期负荷预测中的应用

为了进一步提高RBF神经网络的性能,实现准确、快速预测短期电力负荷的目的,将蚁群优化算法（ACOA）作为RBF神经网络的学习算法,建立了一种新的蚁群优化算法的RBF（ACOA-RBF）网络预测模型,利用山西某地区电网的历史数据进行短期负荷预测。仿真表明,这一算法与传统的RBF神经网络预测方法相比,能达到更好的预测效果。该优化算法改善了径向基神经网络的泛化能力,提高了山西电网短期负荷预测的精度,可有效用于电力系统的短期负荷预测。     

基于AHP-RBF的Swift云存储负载预测

通过对Swift云存储中Proxy Node的负载因素研究,提出结合层次分析法（AHP）和混合递阶遗传训练的RBF神经网络实现对Swift云存储负载情况的预测,其中使用AHP构造对云存储系统的负载层次化模式,提高负载预测的综合精度,设计了RBF神经网络预测模型,用混合递阶遗传算法（HHGA）确定RBF神经网络的参数和结构。仿真实验结果表明,对Swift云存储负载的预测具有可行性,能为系统动态负载均衡决策提供依据。     

改进递归最小二乘RBF神经网络溶解氧预测

为提高溶解氧预测的准确性,将基于改进型递归最小二乘算法优化的径向基函数（ RBF）神经网络方法应用于溶解氧预测。利用K均值聚类算法进行隐层单元中心选择;利用改进型递归最小二乘算法优化RBF神经网络隐含层到输出层的权值。仿真结果表明：该方法对溶解氧的预测具有较好的非线性拟合能力,预测精度优于RBF神经网络和递归最小二乘算法优化的RBF神经网络。     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

遗传优化的灰色神经网络模型比较研究

针对灰色系统结合RBF神经网络时算法存在局部最优和收敛性等问题,引入遗传算法来辅助优化灰色神经网络预测模型。利用具有的较强全局搜索能力,且收敛速度快的遗传算法对GM（1,1）模型参数λ进行高效求解,然后融合RBF神经网络和改进的灰色GM（1,1）模型,构成两种不同结构的基于遗传算法的灰色RBF预测模型,一种是灰色RBF补偿预测模型GA-GRBF,另一种是灰色嵌入型GRBF模型。以某智能监控系统采集的风响应时程数据进行仿真分析,结果表明经过遗传算法优化的GRBF模型都要优于单一的GRBF模型,并且GA-GRBF模型建模简单,预测精度高,实用性强。     

基于改进的RBF神经网络的人民币汇率预测研究

针对RBF神经网络分段算法中对近似线性时间序列数据预测误差较大这一不足,在原有RBF神经网络模型基础上提出了一种改进算法。该算法以分段取中心值为基础,优化原算法中径向基函数中心点值的确定,提高了对近似线性时间序列数据预测的准确度。通过对近两年美元兑人民币汇率数据的预测测试,表明改进算法在预测准确性比原算法有较大提高。     

基于径向基函数神经网络的混沌背景谐波提取

为提高强混沌背景下谐波信号的提取能力,给出混沌系统的单步预测模型,提出了一种新的径向基函数神经网络模型.由混沌吸引子的维数来确定网络的输入,并给出了基于卡尔曼滤波器的动态学习算法,利用学习算法可以在网络训练时同时确定径向基神经网络隐层中心和输出层权值,提高了网络的收敛速度和预测性能.通过对Bossler混沌背景下低信噪比谐波信号的提取进行计算机认真实验,并且实验表明信噪比最低达一27dB时,仍能有效提取出谐波信号,验证了算法的有效性和可行性.     

A forecasting system for car fuel consumption using a radial basis function neural network

A predictive system for car fuel consumption using a radial basis function (RBF) neural network is proposed in this paper. The proposed work consists of three parts: information acquisition, fuel consumption forecasting algorithm and performance evaluation. Although there are many factors affecting the fuel consumption of a car in a practical drive procedure, in the present system the relevant factors for fuel consumption are simply decided as make of car, engine style, weight of car, vehicle type and transmission system type which are used as input information for the neural network training and fuel consumption forecasting procedure. In fuel consumption forecasting, to verify the effect of the proposed RBF neural network predictive system, an artificial neural network with a back-propagation (BP) neural network is compared with an RBF neural network for car fuel consumption prediction. The prediction results demonstrated the proposed system using the neural network is effective and the performance is satisfactory in terms of fuel consumption prediction.     

基于改进人工鱼群算法与RBF神经网络的股票价格预测

股票价格受多种因素影响,这对股票价格预测造成了巨大挑战。近年来,机器学习方法被广泛用于股票价格预测的研究中,然而,现有方法存在相对误差较大、时间复杂度高等缺点。对此,提出基于引力搜索的改进人工鱼群算法AFSA_GS。该算法将引力搜索中计算质量和加速度的策略分别用于调节人工鱼的视野和步长,从而提高了人工鱼群算法在优化过程中的自适应能力;AFSA_GS算法还优化了RBF神经网络的相关参数,并使用优化后的网络预测股票价格。在多家上市公司股票数据上进行了实验,实验结果表明,相对于传统的优化算法,采用AFSA_GS算法优化的RBF神经网络,可以获得更好的股票预测性能。     

Application of temporal difference learning rules in short‐term traffic flow prediction

Studying dynamic behaviours of a transportation system requires the use of the system mathematical models as well as prediction of traffic flow in the system. Therefore, traffic flow prediction plays an important role in today's intelligent transportation systems. This article introduces a new approach to short‐term daily traffic flow prediction based on artificial neural networks. Among the family of neural networks, multi‐layer perceptron (MLP), radial basis function (RBF) neural network and wavenets have been selected as the three best candidates for performing traffic flow prediction. Moreover, back‐propagation (BP) has been adapted as the most efficient learning scheme in all the cases. It is shown that the coefficients produced by temporal signals improve the performance of the BP learning (BPL) algorithm. Temporal signals provide researchers with a new model of temporal difference BP learning algorithm (TDBPL). The capability and performance of TDBPL algorithm are examined by means of simulation in order to prove that the wavelet theory, with its multi‐resolution ability in comparison to RBF neural networks, is a suitable algorithm in traffic flow forecasting. It is also concluded that despite MLP applications, RBF neural networks do not provide negative forecasts. In addition, the local minimum problems are inevitable in MLP algorithms, while RBF neural networks and wavenet networks do not encounter them.