基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型．该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力．提出的模型和改进的算法模拟仿真表明：该方法对收敛速度和精度有更好的拟合性．     

IPSO—BP算法在半主动悬架控制中的应用

为了改善半主动悬架的性能,提出采用改进的粒子群优化(improved particle swarm optimization,IPSO)-向后传播(back propagation,BP)算法作为半主动悬架自适应控制,该算法将标准粒子群算法进行改进,用以改善粒子群全局收敛性和收敛速度,并将改进后的IPSO算法作为BP神经网络的学习算法,用于半主动悬架的自适应控制.自适应控制器采用了双神经网络单元结构,一个作为输入端的控制器,根据路面输入调节半主动悬架阻尼值,另一个作为半主动悬架的辨识器,并进行在线识别.通过该控制器进行半主动悬架自适应控制数值仿真,结果表明,基于该算法的控制器明显改善了汽车的舒适性和平顺性,使得车身的垂向加速度比粒子群优化(particle swarm optimization,PSO)-BP半主动悬架的降低了21.73%,提高了汽车悬架的性能.     

电力线多载波系统中自适应资源分配

针对电力线通信系统中应用传统粒子群算法进行比特功率分配存在陷入局部最优值和收敛速度慢的问题,提出了IPSO（improvedparticleswarmoptimization）算法．新算法通过引入遗传算法的交叉和变异操作,克服了传统粒子群算法由早熟收敛而陷入局部最优解的问题,加快了收敛速度．建立了IPSO算法的理论模型,给出了新算法在PLC—OFDM系统中进行比特功率分配的方法．仿真结果表明,在PLC—OFDM系统中应用IPSO算法进行比特功率分配与GA算法和传统粒子群算法相比．可以加快收敛速度．改善系统的信噪比特性．降低系统发射功率．     

免疫粒子群优化算法在车间作业调度中的应用

针对标准粒子群优化(PSO)算法在迭代过程中容易出现粒子过早收敛从而降低其寻优能力的问题,分析了粒子在更新过程中早熟的原因,通过引入免疫系统的抗体浓度选择机制,构造了一种基于免疫机制的粒子群优化算法模型,并给出了免疫粒子群优化（IPSO）算法在车间作业调度问题（JSP）中的应用.抗体浓度选择机制使得粒子在更新迭代过程中保持了多样性,从而克服了过早收敛的缺陷.对43个JSP标准测试案例的仿真结果表明,与其他算法相比,IPSO算法能够获得更优的结果,求解时间更短,从而验证了免疫机制对算法寻优能力的改善.最后给出了LA36问题的调度结果的甘特图.     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

基于改进粒子群算法的多目标智能组卷研究

组卷问题是一个多约束多目标组合优化问题。建立了一种新的组卷数学模型,提出了一种改进粒子群算法（IPSO）的智能组卷算法。在组卷之前,先采用贪婪算法进行预处理,有效提高了算法的收敛速度。在进化过程中引入保优策略,避免适应值高的粒子被淘汰。采用自适应交叉和变异算子进行调整,避免了局部收敛现象。实验结果表明,改进的粒子群算法应用在多目标智能组卷中具有较好的组卷性能。     

基于改进粒子群算法的输电网扩展规划

针对标准粒子群（SPSO）算法易收敛到局部最优的缺点,采用了一种改进的粒子速度更新公式,即在SPSO算法速度更新公式的基础上,加入一个平均极值项,使得各粒子能参考其它同伴的信息;此外在算法迭代过程中加入变异操作,适时初始化失活粒子的位置和速度来保持种群多样性．在输电网扩展规划中的应用结果表明,上述两个操作可以提高PSO算法的收敛精度,使算法最终寻找到全局最优解,从而证明了改进粒子群（IPSO）算法的有效性．     

基于改进粒子群优化的神经网络及应用

为了克服粒子群算法的早熟收敛,提出了一种改进的粒子群算法用于神经网络训练。该算法对种群进行均匀初始化,用多个粒子的信息引导个体的更新,以保证全局搜索的有效性,同时引入随机算子对陷入局部最优的粒子进行变异,提高了算法的寻优性能。将改进粒子群算法训练的神经网络应用于IRIS模式分类问题和短期电力负荷预测,与BP算法、遗传算法及粒子群算法比较,该算法在提高误差精度的同时可加快训练收敛的速度。     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

高新技术产业园区发展指标的神经网络预测

针对目前普遍应用的BP算法存在学习速度慢和容易陷入网络瘫痪的缺陷,建立基于单参数动态搜索算法的快速人工神经网络模型,具有更快的收敛速度和更高的训练精度.应用该模型对浙江省各高新技术产业园区的发展指标进行预测,取得理想效果.     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

基于IPSO-GRU的锂离子电池剩余使用寿命预测

为了提高预测锂离子电池剩余使用寿命（RUL）的精度,提出了一种基于改进型粒子群算法（IPSO）与门控循环单元（GRU）神经网络的锂离子电池RUL预测模型。首先,通过改变PSO算法的惯性权重和学习因子的更新规则,提高其寻优能力;然后,通过IPSO算法优化GRU神经网络的参数选择,搭建IPSO-GRU模型。最后,利用美国国家航空航天局（NASA）公开的锂离子电池实验数据进行试验,验证IPSO-GRU模型的准确性。实验结果表明,相比于直接采用单一GRU模型,所提IPSO-GRU模型降低了容量预测误差,有效提高了锂离子电池RUL预测精度。     

过程控制中被控对象神经网络模型的设计

根据控制过程的特点提出了一种新的动态系统辨识方法 将输入、输出信号、滤波后的数据用于训练静态前向神经网络 ,辨识出控制系统工作点处一线性动态模型的参数 ,从而预测过程的输出 文中详细论述了设计方法及算法原理 ,并通过试验对比表明 ,这种模型精度高、计算量少 ,对噪声不敏感 ,特别适用于运行过程复杂、干扰因素多、非线性控制系统的动态辨识     

变尺度搜索遗传算法在神经网络训练中的应用

为解决传统的BP学习算法因采用梯度搜索技术而具有的收敛速度慢、容易陷入局部极小等缺点，提出了一种基于多参数空间快速搜索遗传算法的网络权值优化方法.该方法采用误差均分的变尺度搜索技术来训练网络权值，将网络权值的训练转化为多参数空间的寻优问题.训练实例对比结果表明，由于采用了并行计算及变尺度搜索技术，该算法不仅收敛速度快，网络逼近精度高，而且能实现全局最优，克服了BP算法易于陷入局部极小的问题，说明了该方法的有效性.     

模糊优选递归神经网络模型及其在水利水电投资项目评价中的应用

在模糊优选BP神经网络模型上,加入反馈信号及偏差单元,生成递归神经网络.其基本思想是通过对前馈神经网络中加入附加的、内部的反馈通道来增加网络本身处理动态信息的能力.将该模型用于水电投资项目的评价,所得结果与其它方法所得结果相比较,对该方法用于水利水电投资项目的评价的有效性进行了说明.     

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。     

一种矢量倍增算法的神经网络人脸识别方法

针对神经网络人脸识别中训练速度慢的问题,深入研究输入矢量长度的变化对神经网络收敛速度的影响,提出了一种矢量倍增算法对神经网络进行优化.这种方法是对网络输入矢量的长度倍增,从而提高神经网络收敛速度.通过人脸识别实验系统验证了矢量倍增算法的实用性.     

一种改进的BP网络快速算法

BP神经网络已广泛应用于许多领域,但标准BP算法收敛速度很慢.为了提高标准BP算法的收敛速度,提出一种基于LM数值优化算法,以双极性S型压缩函数为转移函数的改进BP算法.分析了双极性S型函数及LM算法与BP神经网络具体结合实现的方法,并给出了算法步骤.通过实例证明,改进后算法的收敛速度比其它BP算法快.