群智能算法优化支持向量机参数综述

支持向量机建立在统计学习的理论基础之上,具有理论的完备性,但是在应用上仍然存在模型参数难以选择的问题。首先,介绍了支持向量机和群智能算法的基本概念;然后,系统地叙述了各种经典的群智能算法进行支持向量机参数优化取得的最新研究成果以及总结了优化过程中存在的问题和解决方案;最后,结合该领域当前研究现状,提出了群智能算法优化支持向量机参数研究中需要关注的问题,展望了这一研究方向在未来的发展趋势和前景。

一种快速收敛的BP算法

在常规算法的基础上，提出了一种基于变斜率算法与共轭梯度算法的接力逆向传播算法。通过寻找神经元激活函数的最优斜率集来加速迭代，还充分利用了共轭梯度算法的快速二次收敛的特点。计算表明，该算法收敛速度快、学习精度高。

改进BP算法在公路工程主材价格预测中的应用研究

分析了传统BP算法的不足,利用相关分析法筛选出公路工程主材价格的主要影响因素;在确定BP神经网络结构及选取训练函数的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型,并结合合肥市石屑价格预测的实例,利用建立的预测模型,采用BP传统算法及附加动量法、自适应学习速率法、两者相结合法等3种改进算法分别预测了合肥市2个季度的石屑价格,并将预测结果进行对比,分析了不同BP算法预测结果之间的差异。结果表明,使用改进的BP神经网络算法进行公路工程主材价格预测,可以将预测误差控制在6%以内,并减少95%左右的训练步数。同时采用自适应学习速率和附加动量改进BP网络的方法相对最有效。

BP算法的改进及其在公路工程主材价格预测中的应用

在利用相关分析法对主材价格影响因素进行筛选的基础上,建立了基于改进BP神经网络算法的公路工程主材价格预测模型。结合郑州市石屑价格预测的实例,分别采用3种BP改进算法进行预测,并对结果进行了对比分析。证明了使用改进BP神经网络进行公路工程主材价格预测是可行和有效的。