PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#

BP神经网络是在深度学习的研究中使用较为频繁的神经网络。本文提出一种改进遗传算法优化BP神经网络的算法（IGABP）,利用遗传算法的全局搜索能力优化BP神经网络的初始结构。由于遗传算法易陷入局部最优解,影响自身的寻优能力,故对遗传算法进行改进,最后构建糖尿病并发症预测模型进而预测糖尿病并发症的发生。本文改进遗传算法的选择算子并改进自适应遗传算法的交叉及变异概率公式。通过构建预测模型,将改进后的IGABP与BP、GABP、AGABP进行比较。仿真实验结果表明,使用IGABP进行预测的准确率要明显优于BP、GABP与AGABP,并且加快了网络的收敛速度。     

基于遗传算法和BP神经网络的房价预测分析

针对BP神经网络存在易陷入局部极小值、收敛速度慢等问题,提出用遗传算法优化BP神经网络并用于房价预测。采用BP神经网络建立房价预测模型。利用遗传算法对BP神经网络的初始权值和阈值进行优化。选取1998年2011年贵阳市的房价及其主要影响因素作为实验数据,分别对传统的BP神经网络和经过遗传算法优化后的BP神经网络进行训练和仿真实验,结果表明,与传统的BP神经网络预测模型相比,经过遗传算法优化后的BP神经网络预测模型能加快网络的收敛速度,提高房价的预测精度。     

基于GA-BP神经网络的胎儿体重预测分析

胎儿体重是判断胎儿发育、保障孕产妇安全的重要指标,但是胎儿体重无法直接测得,只能根据孕妇体检数据进行预测.提出了一种基于遗传算法优化BP神经网络（GA-BPNN）的胎儿体重预测模型,首先采用回归模型和特征归一化预处理得到的历史体检数据建立孕妇连续体重变化模型,然后利用遗传算法（Genetic Algorithm,GA）优化BP神经网络的初始权值和阈值,建立胎儿体重预测模型.从我国东部某医院2016年孕产妇中随机抽取3000例样本数据,将本文的模型与基于传统BP神经网络（BPNN）的预测模型进行比较,实验结果表明,本文提出的GA-BPNN胎儿体重预测模型不仅加快了模型的收敛速度,而且将胎儿体重预测精度提高了14%.     

基于改进BP神经网络的中央空调冷负荷预测研究

针对中央空调系统冷负荷预测中BP神经网络预测收敛慢,易陷入局部最优,精度相对低的缺点,采用了收敛速度快,全部搜索能力强的粒子群优化算法进行改进,同时对BP结构中的输入参数,添加控制误差反馈参数,形成了基于粒子群与控制误差回馈的BP神经网络预测技术;其预测精度较BP神经网络和粒子群BP神经网络分别提高5.94%和0.82%。     

基于改进的粒子群算法优化反向传播神经网络的热舒适度预测模型

针对热舒适度预测是一个复杂的非线性过程,不便于空调的实时控制应用的问题,提出一种基于改进的粒子群优化(PSO)算法优化反向传播(BP)神经网络的热舒适度预测模型。这一预测模型通过采用PSO算法优化BP神经网络的初始权值和阈值,改善了传统BP算法收敛速度慢及对网络初始值敏感的问题。同时,针对标准PSO算法易出现早熟收敛、局部寻优能力弱等缺点,提出了相应改进策略,进一步提高了PSO优化BP神经网络的能力。实验结果表明：与传统BP模型和标准PSO-BP模型相比,基于改进的PSO-BP算法的热舒适度预测模型具有更高的预测精度和更快的收敛速度。     

改进的光伏发电系统MPPT预测算法的研究

在光伏发电效率预测的研究中,针对光伏供电系统受温度和光照变化影响大、太阳能利用效率低和最大功率点预测不准确等问题,提出一种改进的GA-BP神经网络的光伏系统MPPT预测算法,通过优化的BP神经网络训练光伏阵列实测数据,预测输出的最大功率.为提高算法预测精度,采用云模型云滴和遗传算法优化BP神经网络的初始权值和阀值,根据遗传算法收敛程度来调整云自适应交叉和变异算子.经Matlab仿真分析,在光照和温度变化时,改进的GA-BP神经网络比GA-BP神经网络和BP神经网络具有更好的预测效果.     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型;用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解;该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较;结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性.     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

短期电力负荷预测的灰色-小波网络组合模型

短期电力负荷数据具有离散、无规则波动的特点,先利用灰色预测弱化其波动性,然后将负荷原始检测数据与其相对应的灰色预测数据进行重构后作为小波网络的训练样本,在此基础上建立基于灰色-小波网络组合模型的短期电力负荷预测新方法。该方法有效整合了灰色理论、小波分析和人工神经网络的优点,与传统BP网络相比,收敛速度更快,预测精度更高。仿真试验表明了该方法用于短期电力负荷预测的可行性和有效性。     

径向函数网络对国民经济生产总值预测研究

为了建立国民经济生产总值（GDP）神经网络预测模型,构造了双层网络结构的基于径向基网络,通过学习训练,确定径向基数神经网络参数和结构。仿真结果表明,生成的径向基函数模型应用于国民经济预测比BP神经网络模型具有更高的预测精度和良好的泛化能力。     

基于MEA-BP的微波加热褐煤温度预测

对于微波干燥褐煤的温度采样数据具有多峰非平稳特性,采用小波阈值滤波能够较好地保留原始数据的细节信息。而直接使用反向传播（ BP）神经网络来建立对微波加热物料温度预测模型,具有预测精度低、收敛速度慢且容易陷入局部极小点等缺点。采用具有极强全局寻优能力的思维进化算法（ MEA）来优化BP（ MEA-BP）神经网络的初始权值和阈值。实验结果表明：经MEA-BP神经网络具有更高的预测精度和泛化能力,预测性能得到了显著的提高。     

免疫人工鱼群神经网络的经济预测模型

针对BP神经网络在经济预测存在的问题,提出了一种新的经济预测模型──免疫人工鱼群神经网络（IAFSA-NN）。通过免疫人工鱼群算法（IAFSA）训练神经网络,能显著提高网络的学习精度、收敛速度、泛化能力、还能在一定程度上克服BP神经网络的缺陷。以广东省湛江市的经济数据进行建模,给出了IAFSA训练神经网络的基本原理和步骤,构建了一个免疫人工鱼群神经网络的GDP预测模型,并运用MATLAB7.0进行仿真。实证表明,该模型预测结果优于BP网络预测方法,更接近实际数据,IAFSA神经网络用于经济预测是有效可行的。     

基于改进遗传算法优化BP神经网络的销售预测模型

随着经济的快速发展,众多企业步入科学化管理的时代.销售预测是企业经营活动中必不可少的一个环节,预测的准确性直接关系到销售经营的成败.因此提出基于传统BP神经网络与时间序列预测模型为一体的改良BP神经网络预测模型,通过该模型的预测,可以更可靠地预测企业在未来单位时间内的销售额.改良神经网络参考了同步时间序列的预测做出了自我校准,并利用遗传算法达到通过校准得到自我优化的目的,简化网络结构,提高预测的准确度.     

改进型BP神经网络MRAS控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。     

基于PSO—BP神经网络的混凝土抗压强度预测

为了有效提高混凝土抗压强度的预测精准度,利用粒子群算法优化BP神经网络初始权值和阈值,建立了混凝土抗压强多因子PSO-BP预测模型。模型以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料的含量以及置放天数为输入参数,混凝土抗压强度值作为输出参数,不仅可以克服BP算法收敛速度慢和易陷入局部极值的缺陷,而且模型的学习能力、泛化能力和预测精度都有了很大的提高。以UCI数据库中的Concrete CompressiveStrength数据集为例进行仿真测试,结果表明：PSO-BP模型预测精度较BP、GA—BP模型分别提高了8．26％和2．05％,验证了PSO—BP模型在混凝土抗压强度预测中的有效性。     

模拟退火PSO的神经网络的网络流量预测模型

为解决网络流量时间序列的预测问题,针对传统BP神经网络的网络流量时间序列预测模型容易陷入局部极小值的不足,提出一种基于模拟退火的微粒群算法训练神经网络的网络流量时间序列预测模型.将模拟退火算法和基本粒子微粒群算法相结合,设计出一种基于模拟退火的微粒群算法.利用基于模拟退火微粒群算法优化BP神经网络的权值和阀值,对实际采集的网络流量时间序列进行建模.实验结果表明,基于模拟退火的微粒群算法训练的神经网络具有较高的预测效果,相对于传统的神经网络模型具有更高的预测精度和良好的自适应性.     

基于自适应递阶遗传算法的洪水预报模型

基于递阶结构的遗传算法可以同时对BP神经网络进行结构优化和权重求解。采用收缩解空间的方法可以有效提高算法的收敛速度和精度。采用先进行自适应递阶遗传算法获得最优网络结构及参数,再用BP算法对网络进行训练,并应用于洪水预报模型,可以获得较高的精度。