基于改进BP神经网络的网络流量预测

传统网络流量预测方法常面临精度不足、时间复杂度高的问题,且在处理复杂的网络流量时,难以达到理想的预测效果。为克服这些挑战,采用深度学习中的反向传播(Back Propagation,BP)神经网络算法,并结合改进的梯度下降法,通过引入动量项与变步长法相结合的方式,有效降低误差值,实现了对网络流量的准确预测。该方法旨在更好地满足用户需求,优化网络性能,并提升网络服务质量。实验结果表明,改进后的BP神经网络算法在网络流量预测中展现出良好的可行性与稳健性,同时达到了较高的预测精度。

一种BP网的学习速率与动量项自适应算法

针对BP网络学习速率和动量项参数较难选取以及学习过程中学习效率较为低下的问题,提出BP网络的改进算法模型—AB网络模型,来选取学习速率和动量项的参数值,即通过一个为给定先验知识的A网,动态调节另一个执行实际应用的B网中的学习速率和动量项的参数值,并以此提高整个网络的学习效率.实验结果表明,通过AB网络自适应调整参数的算法比普通BP算法的学习效率大大提高.在实际应用中,我们可以通过AB网络自适应调节的方法,对学习速率参数和动量项参数进行合适的选取.

提高BP神经网络学习速度的算法研究

本文在深入分析BP人工神经网络学习算法的基础上,研究了采用增加动量项,成批训练及综合法来提高BP网络的学习速度,取得了显著效果。

基于主因子分析的改进BP神经网络瓦斯涌出量预测

为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明:改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果。实验结果表明:优化后的PSO-BP神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的ROP预测。

一种短期电力负荷预测新方法的研究与应用

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。对山东地区1年的实际数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况(夏季典型日负荷)也有较好的预测精度。

电力系统短期负荷预测组合NN模型的研究与应用

针对单一预测模型不能完全反映电力负荷的变化规律和信息的问题,构造了组合NN预测模型,该模型由基于附加动量算法的AM-NN子模型和基于拟牛顿算法的QN-NN子模型构成,通过时变综合权系数将两个模型融合在一起,将气象因素数据引入到模型中,采用滚动优化策略,使模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的组合NN预测模型能有效提高预测精度,平均绝对误差和最大相对误差分别达到了1.84%和5.77%,将其作为实际电网短期负荷预测软件的预测子模块,能满足实际的调度预测要求。

瞬时梯度去相关在线EASI算法

针对在线EASI算法的瞬时梯度与真实梯度存在偏差,并且偏差会随着分离矩阵的迭代更新传递和累积下去,造成分离性能下降的问题,提出了一种瞬时梯度去相关的在线EASI算法—IGDA-EASI算法。IGDA-EASI算法通过消除瞬时梯度间的相关性,减小偏差累积,从而提高算法的分离性能。经仿真实验验证,该算法相较传统在线EASI算法在收敛速度和分离精度方面都获得了较大提高。在信道时变的情况下,IGDA-EASI算法同样具有更好的分离性能。并且在动量项EASI算法中IGDA算法依然具有适用性。

基于NAWL-ILSTM的网络安全态势预测方法

安全态势是网络安全预警的前提。各种复杂网络环境中的网络攻击行为给网络带来了意想不到的挑战,导致网络负载增加和网络故障等突发网络安全事件随时都会发生。因此,针对网络安全态势时间序列的不确定性、非线性等特点,为了提高网络安全态势预测的精度,提出了基于改进Nadam和改进长短期记忆网络(NAWL-ILSTM)的网络安全态势预测方法。首先,利用一种在线更新机制改进长短期记忆网络(LSTM)以建立态势时间序列预测模型,它可以实时地对接收到的在线观测数据进行参数更新,使代价函数最小化,从而解决了传统LSTM网络模型不能合理地利用网络系统在线传送数据的问题,在优化参数更新的同时也大大提高了LSTM模型的预测精度;然后,针对神经网络训练过程中收敛速度较慢和训练成本较高的问题,采用Look-ahead方法对Nesterov加速梯度的自适应估计动量算法(Nadam)的更新公式进行改进,以加快模型的收敛速度,从而加快了ILSTM预测模型的训练速度,减少了训练的时间和成本。基于Python在tensorflow环境下进行仿真实验,结果验证了所提的基于在线更新机制的LSTM预测模型的合理性,通过收敛性分析和算法对比得出了NAWL算法具有更快的收敛速度的结论。最后,与其他预测模型的对比结果表明了NAWL-ILSTM预测模型在态势时间序列分析中具有更强的适用性和更高的准确性。

融合动量项的步长自适应盲源分离算法

为进一步缓解盲源分离算法收敛速度与稳态误差之间的矛盾,首先在自然梯度算法的基础上,通过融合动量项改善算法的收敛速度,基于分离性能指标的步长自适应减小稳态误差;然后,给出了所提算法的模型图,同时考虑分离性能和计算复杂度,选择合适的融合动量项算法,并设计了算法的近似最优参数,有效避免了算法的分段收敛;最后,合理选择步长与动量项的权重系数,有效改善了分离性能与收敛速度。仿真结果表明:该算法在一定程度上缓解了上述矛盾,并具有较低的计算复杂度。

提高BP神经网络学习速度的算法研究

本文在深入分析了ＢＰ人工神经网络学习算法的基础上，研究了采用加动量项法、成批训练法及综合法来提高ＢＰ网络的学习速度，取得了显著效果．

动量滤波-eLMS算法及其性能分析

针对有源噪声控制中滤波-e LMS(最小均方算法)算法收敛速度慢,收敛步长取值范围小及受参考信号自相关矩阵特征值分散程度影响较大的缺点,提出一种改进的滤波-e LMS算法—动量滤波-e LMS算法。算法在滤波-e LMS算法的基础上,结合动量LMS算法,在权系数更新迭代时引入一个动量项,此动量项包含了先前梯度的估计值。理论推导证明算法不仅可以加快系统的收敛速度还可以扩大收敛因子的取值范围。仿真结果表明,动量滤波-e LMS算法具有收敛速度快、稳态误差小的优点。还讨论了算法中不同动量因子对算法收敛性能的影响,确定了它们的最优取值范围。

基于LSTM神经网络的卫星频谱多门限感知算法

针对在卫星认知通信场景下传统频谱感知算法感知性能低、受通信时延影响大的问题,提出了一种基于长短期记忆(LSTM)神经网络的卫星频谱多门限感知算法。首先构建卫星认知通信模型,其次将仿真数据送入长短期记忆(LSTM)神经网络进行预测感知,采用动量随机梯度下降(SGDM)算法对网络进行更新,然后提出多门限算法对网络输出进行优化,最后与其他神经网络算法作性能对比。该算法无需构建特征值,实验结果表明:在卫星信道条件下,当面对低接收信噪比及低网络迭代次数时,该算法频谱感知性能要优于其他神经网络算法。

多元地学信息挖掘中分层动量增项自适应BP算法应用研究

地球化学元素分布规律的研究是揭示元素矿化富集及空间变化规律的重要途径之一,采用人工神经网络方法对东天山地区地球化学信息进行了研究,为矿区靶区预测提供支持.对传统BP算法进行了改进,采用分层动量增项自适应BP算法设计,并完成了样本区数据的预测分析,效果较好.

地学信息挖掘中RPROP和分层动量增项自适应BP算法应用研究

采用RPROP和分层动量增项自适应BP算法,从最小误差、收敛速度和运算次数方面对地球化学信息进行了研究,并进行了比较分析;针对本区域的样本数据训练结果,确定采用分层动量自适应算法进行后续预测统计工作,为矿区靶区预测提供支持.

求解经济调度问题的分布式加速优化算法

【目的】研究一类分布式约束优化问题,其中无向网络中的节点旨在求解一系列局部凸代价函数之和的最小值,每个节点只能访问自身的局部凸代价函数且每个节点的状态同时遵循局部边界约束和耦合等式约束。【方法】提出一种新的分布式加速原对偶算法,该算法将两种动量项引入到分布式梯度跟踪并采用不协调的步长。【结果】假设代价函数为平滑且强凸的,在最大步长和最大动量系数足够小且为正的情况下,算法能够线性地收敛到最优解。【结论】通过智能电网仿真实例验证了算法有效且分析过程正确。