基于蝙蝠算法优化反向传播神经网络模型的无线网络流量预测

针对无线网络流量数据预测精度不高问题,提出一种基于蝙蝠算法(BA)优化的反向传播(BP)神经网络的分类预测模型——BABP.通过采用蝙蝠算法对BP神经网络模型的初始权值与阈值进行全局寻优,构建崭新的基于蝙蝠算法优化的神经网络模型.通过与基于传统寻优算法遗传算法(GA)与粒子群优化(PSO)算法的反向传播(BP)神经网络模型比较,在无线网络流量数据的分类预测和稳定性方面,提出的BABP模型要优于GABP模型、PSOBP模型;同时,无论迭代次数的多与少,BABP均比GABP、PSOBP算法更快地收敛.实验结果表明,BABP模型在预测精度、寻优速度以及模型稳定性等方面均比GABP、PSOBP模型更具优势.     

基于改进BP神经网络的路由器流量预测方法

为了减少路由器的能耗,提出了一种改进的反向传播(BP)神经网络预测路由器流量的方法,在传统BP神经网络的基础上加入学习率自适应算法,提高路由器流量的预测精度和训练速度.运用MATLAB平台构建BP神经网络对网络流量进行建模、训练并预测.仿真结果表明:相较传统预测模型,运用改进的BP神经网络预测模型精度较高,训练速度较快,路由器可以更快、更准确地调整工作状态,实现了有效节能,具有很好的应用前景.     

基于遗传BP网络的股市预测模型研究与仿真

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见,利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法.提高了传统BP神经网络的计算精度和收敛速度.建立了基于遗传BP网络的股市预测系统模型,对贵州茅台股票价格进行预测.仿真结果表明,经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时,迭代次数比一般BP神经网络模型也大大减少.因此适用于求解如股市预测等非线性问题,具有较高的精确度和应用价值.     

社会情感算法优化神经网络的短时交通流预测

针对反向传播(BP)神经网络用于交通流预测易陷入局部最优且寻优速度慢的问题,采用了社会情感优化(SEO)BP神经网络的参数,以SEO中的个体为一个BP神经网络,以3种情绪为表现形式,通过个体间的合作竞争进行寻优.运用Levy、正态、柯西分布3种情绪随机选择策略,通过不同方式实现了以不同的概率选择不确定的情绪,使SEO中情绪更好地模拟人的正常心理变化.实验表明:该模型较其他模型更有利于搜寻全局最优解,能有效提高短时交通流的预测精度.     

一种基于似然BP的网络安全态势预测方法

态势预测是网络安全态势感知的高级阶段.为了解决依赖于专家赋予权值、缺乏自学习的态势数据处理方法在复杂网络系统中的局限,提出了一种基于似然BP的网络安全态势预测方法,将BP神经网络引入态势预测领域,并用极大似然误差函数代替传统的误差函数,通过态势评估模型建立的态势序列作为训练输入序列,在反向传播过程中实现对指定参数权值的自学习调整,该方法能充分利用网络越复杂、粒度越细、效率就越高的特点,实验表明了该方法具有较好的态势预测效能,为网络安全态势预测提供了一种新的解决途径.     

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。     

链式数据重组与神经网络在经济预测中的应用

建立经济模型和基于模型对宏观经济进行预测,是经济运行质量评价、仿真、制定发展规划等所必不可少的.针对宏观经济预测的特殊性:样本少、时变性,提出了反向传播(BP)神经网络的链式数据重组训练方法,并用于实际经济预测.和原数据用于预测的结果相比,达到了较高的预测精度.同时,解决了BP神经网络难以确定隐结点数的问题.     

BP 神经网络在基金价格预测中的应用研究

研究基金价格变化的准确预测问题.针对基金价格变化规律相当复杂,影响因素间非线性程度相当的高,传统预测方法不能很好反映非线性规律,导致基金价格预测精度不高.为了基金价格预测精度,提出一种基于 BP 神经网络的基金价格预测模型.通过 BP 神经网络优异的非线性逼近能力和自学习能力对基金价格数据进行训练和预测,同时通过自适应学习速率动态地调速 BP 神经网络学习速率,对基金价格进行预测.通过对金泰基金的仿真研究,表明了改进的 BP 神经网络比其它基金价格预测具有更高的精确度,能准确地捕捉基金价格的变化趋势,为基金价格预测提供了参考.     

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。     

基于神经网络的高校科研项目前景预测系统研究与设计

为了对高校科研项目前景进行有效预测,进一步提升科研成果转化率,本文提出了基于神经网络结合科研项目共享的网络平台,构建可靠的科研项目前景预测系统.通过将各类大量科研项目的特征参数化,利用BP(反向传播)神经网络的非线性映射能力、自适应能力和对离散数据的泛化能力生成模型后,用于从多维度对一个新项目生成可靠的前景预测.实验表...     

粉体密相气力输送中的管道压降预测

利用人工神经网络技术,建立了BP网络模型,通过网络的学习训练,比较准确地预测了粉体密相气力输送过程中的管道压降,预测准确率在93.3％以上,表明该方法可以作为密相气力输送研究中的一种有效的辅助手段。     

基于可变学习率BP算法的空调控制系统的研究

通过分析控制器参数学习率和控制器性能之间的关系,设计一种基于可变学习速率反向传播算法VLRBP和模糊神经元网络的变频空调控制系统.该系统不仅可以通过反传误差信号训练控制器参数,而且可以根据网络的当前状态朝最优化方向调整控制器参数的学习率.实验结果表明,该控制系统不仅比传统的空调PID控制器和模糊控制器具有更好的控制性能,而且相比基于标准BP算法和动量BP算法的模糊神经网络控制系统,也具有更快的收敛速度和更好的控制精确度.     

切比雪夫正交基神经网络的权值直接确定法

经典的BP神经网络学习算法是基于误差回传的思想.而对于特定的网络模型,采用伪逆思想可以直接确定权值进而避免以往的反复迭代修正的过程.根据多项式插值和逼近理论构造一个切比雪夫正交基神经网络,其模型采用三层结构并以一组切比雪夫正交多项式函数作为隐层神经元的激励函数.依据误差回传(BP)思想可以推导出该网络模型的权值修正迭代公式,利用该公式迭代训练可得到网络的最优权值.区别于这种经典的做法,针对切比雪夫正交基神经网络模型,提出了一种基于伪逆的权值直接确定法,从而避免了传统方法通过反复迭代才能得到网络权值的冗长训练过程.仿真结果表明该方法具有更快的计算速度和至少相同的工作精度,从而验证了其优越性.     

The application of an artificial immune system-based back-propagation neural network with feature selection to an RFID positioning system

This study uses the Received Signal Strength Indication (RSSI) values of RFID to predict the position of picking staff for warehouse management. A proposed feature selection-based back-propagation (BP) neural network that uses an artificial immune system (AIS) (FSBP-AIS) to determine the connecting weights of a neural network learns the relationship between the RSSI values and the position of the picking staff. In addition, the proposed FSBP-AIS is able to determine the representative features, or inputs, during training. Once a picking staff's position is known, this information is used to plan the picking route for picking staff if a new order arrives. The computational results indicate that the proposed FSBP-AIS can provide better predictions than a traditional BP neural network, BP neural network with stepwise regression to determine the important inputs, and regression method.     

基于多学位识别的学位决策机制的研究与实现

在以1∶1数字学习方式为主的自主学习模式下存在相关专业多学位识别的问题。针对该问题,建立了一种使用遗传算法和BP神经网络的多学位识别机制。该机制根据问题的特点,采用遗传算法产生样本群体,并用遗传算法确定神经网络模型的参数,通过神经网络自适应学习和训练,找出输入和输出的关系,从而达到多学位识别的目的。实验验证了该方法的有效性。     

结合聚类思想神经网络文本分类技术研究*

针对传统的基于神经网络文本分类算法收敛速度慢等缺点,在分析了文本分类系统的一般模型,以及在应用了互信息量的特征提取方法提取特征项后,提出了一种基于样本中心的径向基神经网络文本分类算法;并引入了聚类算法的核心思想,改进误差反向传播神经网络分类算法收敛速度较慢的缺点。实验结果表明,提出的改进算法与传统的BP神经网络分类算法相比,具有较高的运算速度和较强的非线性映射能力,在收敛速度和准确程度上也有更好的分类效果。     

神经网络及遗传算法在径流预报中的应用

提出用遗传算法和BP算法相结合的改进神经网络模型来进行径流预报。即先通过遗传算法对初始权值分布进行优化，在解空间定位出一个较好的搜索空间，然后采用BP算法，在这个较小的解空间中搜索出最优解。使网络收敛速度加快和避免局部极小。作为实例，以清江鸭子口的实测径流资料为样本进行训练并用以预测该水文站的日径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

Recurrent Sigma-Pi-linked back-propagation network

A recurrent Sigma-Pi-linked back-propagation neural network is presented. The increase of input information is achieved by the introduction of “higher-order≓ terms, that are generated through functional-linked input nodes. Based on the Sigma-Pi-linked model, this network is capable of approximating more complex function at a much faster convergence rate. This recurrent network is intensively tested by applying to different types of linear and nonlinear time-series. Comparing to the conventional feedforward BP network, the training convergence rate is substantially faster. Results indicate that the functional approximation property of this recurrent network is remarkable for time-series applications.     

改进的BP网络用于气相色谱保留指数预测

改进了ＢＰ神经网络的学习速率算法,并运用改进后的ＢＰ网络,通过分子结构参数,同时对连载在吡啶在非极性固定液ＳＥ－３０和极性固定液ＰＥＧ－１５００柱上的保留指数进行预测,取得了较好的结果。