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。

动量-自适应学习BP算法在加工领域的探索

为解决实际加工中试验次数多生产成本高、选取加工参数困难等问题,采用动量-自适应学习BP算法构建BP神经网络预测模型。根据实际情况将典型BP算法改进,得到收敛速度快的动量-自适应学习BP算法模型;用电解加工试验数据对模型结构进行训练,最终建立动量-自适应学习BP神经网络加工预测模型。采用该模型对不同加工参数组合下加工的不锈钢微孔孔径大小进行预测。结果表明,该模型的预测误差低于5%,具有很强的预测能力。

神经网络动量-自适应学习率BP算法与BP算法的性能比较及其应用

动量 -自适应学习率 BP算法是对标准 BP算法的改进 ,本文对这两种算法进行了分析 ,并利用计算机程序对其性能进行了比较测试 ,利用 VISU AL C++和 MATL

动量-自适应BP算法在机器人碰撞检测仿真系统中的应用

根据机器人运动连续性原理,通过对误差脉冲数的统计分析,我们基于人工神经网络算法,实现了机器人碰撞检测仿真系统 根据从机器人运行时采集的数据对神经网络进行训练和仿真,在实际应用中取得了预期的效果 本文讨论了动量-自适应学习率BP算法,说明了通过误差脉冲数进行碰撞检测的原理,比较了它与传统方法的区别,并且根据神经网络训练和仿真结果对动量-自适应学习率BP算法和标准BP算法进行了比较.

基于互学习的自适应PSO算法的亚像素定位研究

针对数字图像相关方法(DIC)的亚像素精确定位运算量大、时间代价高的问题,提出了一种改进的粒子群优化方法的亚像素精确定位。依据待测物图像中特征点变形程度的差异自适应地调整粒子飞行的速度和范围并细化到x和y二维方向上,改善特征点位移解的质量;另外,引入粒子间的互相学习机制,充分利用前一粒子的历史信息,减少迭代次数,提高算法运行效率;最后,将这种互学习的自适应粒子群的亚像素定位算法与牛顿-拉夫森(Newton-Raphson)算法和牛顿拉夫森-粒子群(NR-PSO)算法作比较。实验结果表明,本文算法具有更高的精度、有效性和可行性,尤其在处理大数据量时,该算法的时间成本优势更为显著。

动量自适应学习速率梯度下降法神经网络电力负荷预测

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定,是电力负荷预测的重要组成部分。利用人工神经网络可以任意逼近非线性系统的特性,将其用于短期负荷预测。在标准的BP网络中加入了动量项和自适应学习速率,预测结果表明比标准BP算法具有更好的性能。在相同的情况下,连续预测六天的负荷和一年的负荷,结果都证明了研究方法具有一定的实用性。

风-光-储和需求响应协同的虚拟电厂日前经济调度优化

目前可再生能源直接并入电网仍然面临稳定性和经济性问题,经过虚拟电厂整合可以缓解对电网的影响。以系统整合后最终运行成本达到最小作为目标,进行新能源出力和负荷在未来24 h的预测,计及电网侧在不同时间内的电价变化情况,采用反向学习的混沌映射自适应粒子群算法对风-光-储能和需求响应不同组合搭配的5种调度方案进行探讨,与原始粒子群算法相比,所提算法可以跳出局部最优解而找到全局最优解。计算结果表明,风-光-储和需求响应都参与供电相比风-光-储供电可以将运行成本降低4.47%,用户舒适度提高3.51%。

Ada_Nesterov动量法——一种具有自适应学习率的Nesterov动量法

Nesterov动量法可以很好地改进梯度下降方向,但是其所有参数都具有相同的学习率,并且学习率需要人为设定。Adadelta算法可以自适应学习率,并且每维参数具有独立的学习率。因此,本文首先基于Adadelta算法推导出每一维的学习率公式,其次将其带入Nesterov动量法中,得到了Ada_Nesterov动量法。为了验证提出的Ada_Nesterov动量法,本文设计了两个实验。实验结果表明:动量参数0.5时,Ada_Nesterov动量法在VggNet_16神经网络架构上,基于CIFAR_100数据集的验证准确率最高,损失最小,收敛速度最快。即Ada_Nesterov动量法改进了Nesterov动量法,具有自适应学习率。

基于自适应学习速率的模糊神经网络控制器

针对模糊神经网络控制器中很难确定一个最佳学习速率的问题,将带有动量因子的自适应学习速率BP算法引入模糊神经网络控制器中。采用模糊推理自适应调节学习速率,同时引入动量因子,提高系统的收敛速度,并基于Lyapunov定理给出了系统稳定的证明过程。针对同一数学模型,用Matlab编程仿真3种方法的实验结果表明:优化后的模糊神经网络控制器较普通模糊神经网络控制器和模糊控制器具有更优越的控制性能。

BP改进算法在哮喘症状-证型分类预测中的应用

针对BP算法学习率需要人为不断调试且收敛速度慢的缺点,通过对其算法性能进行分析,提出一种基于竞争学习与学习率自适应的改进BP算法,即CAL-BP算法。将改进算法用于哮喘症状-证型的分类预测实验中,将BP算法与CAL-BP算法对哮喘症状-证型数据的训练效果做了对比,实验结果表明,采用改进的CAL-BP算法训练数据时收敛速度更快,识别率更高。

多策略融合的改进天鹰优化算法

为了解决天鹰优化算法(Aquila Optimization algorithm,AO)易陷入局部最优及收敛速度慢的问题,本文提出一种多策略融合的改进天鹰优化算法(Multi-Strategy Integration Aquila Optimization algorithm,MSIAO).该算法采用结合Tent混沌映射的折射反向学习初始化种群以提高算法前期的搜索效率,根据种内互助及优化策略解决算法寻优停滞的缺陷,并通过基于Bernoulli混沌序列的自适应权重策略提高算法的收敛速度,引入了柯西-高斯变异算子增强算法迭代后期逃逸局部极值的能力.本文对10个基准函数、部分CEC2014测试函数集进行实验,并将MSIAO用于2个工程设计优化问题.结果表明,对于高维单峰、高维多峰以及固定维复杂多模态函数,MSIAO比AO具有更高的收敛精度和更快的收敛速度;MSIAO对压力容器与焊接梁优化设计的经济成本较AO分别节约4.62%、0.77%,验证了MSIAO对于处理机械工程问题的实用性和优越性.

基于学习竞争型PSO算法的轧制计划问题求解

为保证快速准确求解出轧制调度计划的可行解,建立一种含有0-1变量的热轧调度数学模型。针对该模型含有整数变量的特点,提出一种基于学习与竞争的粒子群算法,通过将学习与竞争的思想和PSO算法相结合,让种群中适应值较差的个体以一定的概率向适应值较好的个体进行学习,构成新的粒子群算法迭代表达式,在不增加PSO算法计算复杂度的基础上,克服基本PSO算法的缺点。实验结果表明,该粒子群算法比基本的PSO有着更高的搜索精度,验证了该算法的有效性和准确性。

融合吸引排斥和双向学习的改进粒子群算法

针对粒子群算法在计算时存在收敛速度慢、易陷入局部收敛等缺陷,提出了一种融合吸引排斥和双向学习的改进粒子群算法来提高算法的寻优能力。双向学习策略扩大了粒子的搜索范围、丰富了种群多样性;在吸引-排斥策略中,粒子能够分别被全局最优粒子和全局最差粒子所引导进而朝着更优的方向进化,提高了算法的局部寻优性能和收敛能力。同时,在双向学习策略中,为了克服单一性的学习因子和惯性权重在优化复杂函数时无法很好地调节寻优进程的问题,提出了双重自适应策略,更好地平衡群体中粒子的搜索行为。最后利用标准测试函数对该算法进行仿真验证,并与其他两种改进的算法对比。实验结果表明,在相同的实验条件下,改进后的粒子群算法在寻优能力和收敛速度方面具有明显优势。

基于海洋捕食者算法的武器-目标分配问题研究

为了提高武器-目标分配问题的求解效率和质量,给出一种基于改进海洋捕食者算法的求解策略。首先,给出基于反向学习策略的种群初始化改进方案,初始种群中一半的个体随机生成,另一半个体基于反向学习策略给出,提高了算法的收敛速度;其次,应用基于自适应参数的轮盘赌法对猎物更新方式进行了改进以增强其随机性,以及协调算法全局与局部搜索能力。最后,将其与遗传算法、粒子群算法、蜻蜓算法与鲸鱼优化算法之仿真值进行对比,结果表明:改进海洋捕食者算法具有更快收敛速度、更强的全局搜索能力及更高的稳定性,有望应用于未来战争的指挥决策中。

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。

飞机降落过程自适应控制仿真研究

研究飞机降落安全控制问题,飞机降落过程是飞行中最复杂、最危险的飞行阶段。系统存在高非线性和大气环境干扰的特点,并要求较高的实时性。为提高响应特性和抗干扰能力,提出了一种新的优化CMAC-PID并行自适应控制方法,和应用在6DOF非线性飞机的降落过程的研究中。在传统CMAC-PID并行控制的基础上,对CMAC网络学习率进行了改进,实现最优学习率的自适应控制,从而有效提高了CMAC控制器的在线学习速率。并利用遗传算法对CMAC-PID并行控制中的PID参数进行了仿真,使整个控制系统得到进一步优化。利用控制方法对6DOF飞机降落过程进行了仿真分析,结果表明所设计的控制方法具有良好的动态特性和抗干扰能力。

基于改进型BP算法的外债风险指标预测

利用人工神经网络进行时间序列预测是一种较新的方法 ,它具有不需建立复杂的数学模型以及非线性映射能力强等优点 .采用动量法和学习率自适应调整的改进型 BP算法对外债风险的各项指标进行了非线性时间序列的预测 。

一种改进的BP算法

传统的BP算法收敛速度慢,利用附加动量因子和自适应学习速率改进了传统的BP算法,它对于BP网络结构优化,提高收敛速度有明显效果.

改进的BP算法在股市预测中的应用

股票价格预测是证券界和学术界的一个重要的研究课题。神经网络具有强大的非线性逼近能力,文中采用MO-VLBP神经网络建立股票价格预测模型,对某银行的收盘价进行预测。实验结果证明,MO-VLBP网络模型应用于股票价格的短期预测,运算速度快、预测精度高。

船舶设计任务动态调度预测

在船舶设计过程中经常会出现随机新设计任务,为船舶设计任务调度方案的制订带来一定的困难。基于反向传播(Back Propagation, BP)算法,引入动量-自适应学习率反向传播(Momentum and Self-Adaptive Learning Rate Back Propagation, MSBP)算法预测随机新设计任务是否可加入制订的船舶设计任务调度方案,以解决扰动情况下的船舶设计任务动态调度(Dynamic Scheduling of Ship Design Tasks, DSSDT)问题。为减小求解空间和训练难度,选择对调度结果具有重大影响的属性作为MSBP算法的特征值。基于抽取的特征值构建MSBP算法模型,并采用大量数据完成对模型的训练。对比试验结果表明,MSBP算法的准确性优于未改进的BP算法,某项随机新设计任务的可调度性与其优先级最为密切。