优化Elman神经网络用于网络流量预测

对量子粒子群优化(QPSO)算法进行研究,提出了自适应量子粒子群优化(Adaptive QPSO)算法,用于优化Elman神经网络的参数,改进了Elman神经网络的泛化能力.利用网络流量时间序列数据进行预测,实验结果表明,采用AQPSO算法优化获得的Elman神经网络模型不但具有较强的泛化能力,而且具有良好的稳定性,在网络流量时间序列数据的预测中具有一定的实用价值.     

基于Elman神经网络的股票价格预测研究

为了更好地把握股票价格的波动，应用了在处理序列数据输入输出具有优越性的Elman 递归神经网络建立股市预测模型，并用两支股票进行了检测，检测结果说明人工神经网络应用于中国股票市场的预测是可行和有效的，有着良好的前景。     

基于Elman神经网络的股市决策模型

利用具有时变适应能力的Elman动态回归神经网络,建立了股市的预测和决策模型,并利用两只股票进行了实验检验,实验结果表明,该模型具有较高的预测精度、较为稳定的预测效果和较快的收敛速度,说明该模型应用于股票市场的预测与决策是可行和有效的,对于短期的买卖决策具有指导意义,有着良好的应用前景.     

基于AQPSO的RBF神经网络自组织学习

针对径向基函数(RBF)神经网络的结构设计及参数优化问题,提出一种自适应量子粒子群优化(AQPSO)算法.将RBF神经网络的网络规模及参数映射到粒子的空间位置,定义权值平均最优位置,从而对量子粒子群优化(QPSO)中$L_{i,j     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限,容易陷入局部最优点的缺陷,提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法,将RBF神经网络的参数组成一个多维向量,作为算法中的粒子进行进化,由此在可行解空间范围内搜索最优解。实例仿真表明,该学习算法相比于传统的学习算法计算简单,收敛速度快,并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

基于随机评价机制的量子粒子群优化算法及其参数控制

为了改善量子行为粒子群优化(QPSO) 算法的收敛性能, 提出了一种基于随机评价策略的改进QPSO优化算法(RE-QPSO)。该算法通过使用随机因子对种群中粒子的创新性进行评价,提高了粒子摆脱局部极值的能力。提出了固定取值和线性递减两种控制策略分析RE-QPSO算法的唯一控制参数——收缩-扩张系数,通过6个标准测试函数的仿真结果给出了具有实际指导意义的控制参数选择方法     

一种改进QPSO优化BP网络的入侵检测算法

为了较好克服量子粒子群算法存在早熟收敛的缺点,在分析算法参数和流程的基础上,提出了一种带变异操作的改进量子粒子群优化算法。针对传统BP算法易于陷入局部极小的不足,将改进的算法应用到BP神经网络的学习过程中,修正BP网络的权值和阈值,提高其收敛性能。并将优化的BP神经网络模型应用于入侵检测中,用标准入侵检测数据对基于不同算法的BP网络进行仿真实验比较。实验结果表明,改进后的BP算法迭代次数少,收敛速度有所提高,在一定程度上提高了入侵检测率。     

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。     

基于粒子群优化算法的神经网络在油品质量预测中的应用

粒子群优化算法是基于群体智能的全局优化技术,它通过了粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。其优势在于操作简单,容易实现。文中将粒子群算法和神经网络进行融合,优化神经网络的权值和域值,充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势,并与改进的BP算法进行了比较 。油品质量预测的实例表明,将粒子群算法用于神经网络的优化,收敛速度更快,预测精度更高,而且算法简单。     

基于Elman神经网络的TDOA定位算法

针对Chan定位算法在非视距(NLOS)环境下定位性能差的缺点,提出一种基于Elman神经网络的Chan定位算法,利用Elman神经网络的动态递归特性以及强大的非线性映射逼近能力,对NLOS误差进行修正,再利用Chan算法定位。仿真结果表明,在NLOS误差较大的环境下该算法仍具有良好的定位精度,性能优于Chan算法和泰勒级数展开法。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

基于自适应鲸鱼优化算法结合Elman神经网络的股市收盘价预测算法

针对Elman神经网络在基于股市网络舆情的收盘价预测中存在的收敛速度慢且预测精度低的问题,提出了结合基于自适应噪声的完全集合经验模态分解(CEEMDAN)的改进鲸鱼优化算法(IWOA)结合Elman神经网络预测模型。首先,通过文本挖掘技术对上海证券交易所股票价格综合指数(SSE)180股的网络舆情进行挖掘和量化,并利用Boruta算法筛选重要属性以降低属性集的复杂度;然后,通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列的分解与降噪;同时,利用自适应权重改进鲸鱼优化算法(WOA)以增强其全局搜索及局部开采能力;最后,利用WOA在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:比起单独使用Elman神经网络,所提模型的平均绝对误差(MAE)从358.8120降低至113.0553;与未采用CEEMDAN算法的原始数据集相比,该模型的平均绝对百分比误差(MAPE)从4.9423%降低到1.44531%,说明所提模型有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于Elman神经网络的非线性动态系统辨识

研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

基于Elman神经网络110警情预测研究

统计110警情数据,建立警情数据的时间序列,选定网络的输入、输出节点,创建Elman神经网络,利用样本数据对网络进行训练学习,测试数据的仿真实验结果表明,与BP神经网络相比,Elman神经网络对110警情进行短期预测,预测的精度更高。