基于改进布谷鸟优化BP神经网络控制环境参量研究

封闭式室内环境参量对人工软骨材料的研制至关重要,传统神经网络模型难以实现对封闭环境参量的有效控制。论文采用改进的布谷鸟算法优化BP神经网络模型作为控制算法,采用STM32F429单片机作为核心单元和采用PM11-R-3L位置传感器作为本次实验的重要硬件。结果表明,采用改进布谷鸟算法优化BP神经网络模型,其控制效果比传统BP神经网络对封闭式室内环境参量的效果更好,并且提高了控制系统的稳定性和鲁棒性。

改进麻雀搜索算法优化BP神经网络的短时交通流预测

针对BP神经网络预测短时交通流量过于依赖初始参数的问题,提出一种基于改进麻雀搜索算法(ISSA)来优化BP神经网络的短时交通流预测模型(ISSA-BP)。针对标准麻雀搜索算法(SSA)易收敛于原点,容易陷入局部最优等问题,对麻雀群体中的发现者和部分加入者的位置更新公式分别进行改进,改进后的发现者将基于搜索维度的大小和当前最优值的位置来进行全局搜索,部分加入者将根据其与最优位置之间的距离来进行全局搜索。通过实验对BP,PSO-BP,SSA-BP,ISSA-BP 4种短时交通流预测模型的预测效果进行对比分析,结果显示,ISSA-BP短时交通流预测模型的误差最小,ISSA-BP模型相较BP模型在MAE评价指标上的预测精度提升了48.85%,有着更好的预测精度。

基于EMD分解和改进GWO-BP神经网络的滑坡位移预测

考虑到滑坡位移受多因素的影响,结合信号分解与智能算法,提出了一种时序分解-模型构建-模型训练的EMD-BP-TIGWO滑坡位移预测方法。首先,利用EMD方法将滑坡监测数据分解为多个IMF分量及一个残余量,将分解后的分量划分为周期项及趋势项位移;其次,构建BP-TIGWO模型,引入Tent映射及自适应权重,提高灰狼算法的收敛速度及全局搜索能力,并利用TIGWO算法优化BP神经网络的权值及阈值;利用Pearson相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析,利用优化后的BP模型分别对周期及趋势项滑坡位移进行预测;最后,将各分量预测值进行叠加得到滑坡累计位移预测值,并对模型预测准确率进行评价。实验结果表明,EMD-BP-TIGWO模型在考虑降雨输入特征下,连续32 d预测的RMSE、MAE及R2分别为0.64、0.51及0.97,模型预测精度明显高于未考虑时滞的EMD-GWO-BP、EMD-GWO-BP、BP-TIGWO、BP模型的预测精度,可为预测滑坡的位移提供参考。

基于遗传和改进布谷鸟算法的BP神经网络建模

针对现代工业系统具有高度非线性的特点,以及采用BP神经网络对非线性系统建模易出现局部最优、过拟合或欠拟合的问题,提出采用遗传算法(GA)和改进布谷鸟算法(CS)优化BP神经网络建模的方法(GACSBP算法)。首先利用遗传算法自适应、全局搜索的特点优化神经网络拓扑结构,避免神经网络建模出现过拟合或欠拟合的问题;然后采用改进布谷鸟算法优化BP神经网络权值,加入惩罚项进一步防止神经网络建模时陷入局部最优。对NACA0012翼型自噪声数据进行建模,仿真结果表明,与BP神经网络相比,提出的GACSBP算法避免了局部最优,明显提高了模型预测精度,且所需迭代次数和时间均明显减少。

布谷鸟算法优化神经网络的站房结构损伤识别

研究目的:在铁路站房结构健康监测中,采用BP神经网络来识别结构损伤常常因为陷入局部极小值导致误报率高。因此,本文使用布谷鸟算法对神经网络进行优化,并将优化后的神经网络模型应用于站房结构损伤识别,以提高损伤识别的准确率。研究结论:(1)利用布谷鸟算法搜索BP神经网络最优的权重和偏置,可以找到模型的全局最优解,防止陷入局部极小值;(2)本文提出的模型适用于铁路站房结构健康监测数据量大、结构复杂、维数高的特点,可通过数据预处理构建神经网络的训练测试数据集;(3)以昆明南站监测数据为例进行试验验证,结果表明,通过布谷鸟算法优化BP神经网络模型准确率达到99.73%,较BP神经网络模型提高1.88个百分点;(4)本文研究可为实时结构性能评估提供技术支撑,可为铁路站房结构健康监测提供新的途径,具有一定的参考价值。

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明:引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。

BP神经网络模型的改进及其在海底管道外腐蚀速率预测中的应用

针对海底油气管道外腐蚀问题构建模型预测其腐蚀速率,建立基于改进鹈鹕优化算法(Improvement Pelican Optimization Algorithm,IPOA)的BP神经网络(Back Propagation Neural Network,BPNN)腐蚀速率预测模型。通过Logistic-Tent混沌映射初始种群与收敛因子非线性化的方法提高鹈鹕算法(POA)的全局搜索能力和寻优精度,采用IPOA算法优化BPNN的权值和阈值,提升模型的预测精度与鲁棒性。以实海挂片试验数据为基础,建立POA-BPNN和BPNN模型作为对比。结果表明:IPOA-BPNN模型的决定系数R2为0.9664,均方误差为0.2353,平均相对误差为3.16%,均优于其余两个模型,模型的鲁棒性较未改进有较大的提升。这表明IPOA-BPNN模型能够为海底管道的维修与更换提供决策支持。

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。

基于改进的BP神经网络对切削参数的优化选择

为了在切削零件时能合理选择切削参数并充分发挥机床的效能,建立了改进的BP神经网络,用样本集来训练和检测BP神经网络。实现了对切削参数的优化选择和切除率的预测,为切削参数的选择提供了理论依据。实例表明,采用BP神经网络优选的切削参数进行加工,能明显地降低成本、提高生产效率。

基于BP神经网络和改进遗传算法的蒸发器支座结构优化设计

应用显著性分析选取了优化结构参数,利用正交试验法和有限元法确定了神经网络样本数据,建立了反映结构特性的人工神经网络模型,为遗传算法提供了适应度函数,并通过改进遗传算法完成了函数优化。对比和分析结果表明,优化结构比初始结构的体积减少了19.9%,失稳临界载荷提高了293%,且满足强度条件。

基于改进萤火虫优化算法的BP神经网络目标群威胁判断

以舰艇防空作战目标选择决策和规划需求为背景,针对萤火虫算法求解精度不高且收敛速度较慢的问题,提出可动态调整步长的改进萤火虫优化算法。在改进萤火虫优化算法的基础上,建立基于改进萤火虫优化算法的BP神经网络目标群威胁判断结构模型。通过改进萤火虫算法优化BP神经网络的初始权值和阈值,能够更好地预测测试集。实验结果表明,该方法可快速、准确地实现目标群威胁判断。

基于改进狮群算法优化神经网络的糖尿病风险预测

糖尿病风险评估预测有助于早期发现糖尿病,降低发病率和并发症。针对糖尿病风险预测问题,提出一种基于改进狮群算法优化神经网络的糖尿病风险预测模型。引入非线性扰动因子改进狮群算法,使得算法既能加强全局优化能力,避免陷入局部最优,又能保证局部优化能力,提高算法的收敛速度。利用改进狮群算法(ILSO)的寻优能力优化神经网络的权重和偏置参数,建立基于ILSO-BP神经网络的预测模型。同时,采用少类样本合成过采样技术和递归特征消除方法对糖尿病数据进行预处理,提高模型预测能力。在真实糖尿病数据集PIMA上的实验结果表明,基于ILSO-BP神经网络的糖尿病风险预测模型,其预测性能优于基线模型,也优于基于遗传算法、鲸鱼优化、粒子群优化等算法优化的神经网络预测模型,对糖尿病风险具有良好预测能力,能够对糖尿病早期筛查起到辅助作用。

IPOA-BP神经网络锂电池SOH估算

为提高锂电池SOH的估算精度,搭建了一种基于改进鹈鹕优化算法(POA)结合反向传播(BP)神经网络的估算模型。通过NASA公开数据集,提取了多组与锂电池SOH相关的健康因子,并进行相关性分析,选取相关性较好的健康因子作为模型输入。通过改进后的POA算法对BP神经网络的权值和阈值进行寻优。将所提算法与BP神经网络、粒子群优化算法(PSO)结合BP神经网络、POA算法结合BP神经网络方法进行比较,仿真结果表明:所提方法的均方根误差更小,决定系数更高,具有更好的实际应用价值。

一种基于改进粒子群算法优化BP神经网络的预测方法

粒子群优化算法作为一种新型的算法由于具有原理简单、收敛速度快且易于实现的优势等成为学术界的专家学者关注的热点问题。文介绍了BP神经网络和粒子群算法两种预测方法,提出了基于改进改进粒子群算法的BP神经网络的基本算法及操作流程。

基于改进的遗传算法优化BP神经网络的电力负荷预测

本文通过对BP神经网络在负荷预测方面收敛的速率过于慢、易于陷入局部最优解等问题。提出用改进的遗传算法去优化BP神经网络的阈值、初始权值以及加入的平滑因子。提高BP神经网络的自适应学习率和附加动量,提高搜索的效率。该模型具有较好的收敛速率和全局空间搜索能力。为了验证改进的(Im-GA)-BP模型预测的合理性,通过对某区域的电力负荷预测分析。此方法的预测精度比一般的BP算法效率高。

IPSO-BP神经网络模型的教学质量评价

针对目前教学质量评价过程中存在的评价方法单一、主观性强等问题,为进一步提高教学质量评价的有效性和准确性,将粒子群算法(IPSO)和BP神经网络相融合,建立了一种基于IPSO-BP算法的神经网络评价模型。利用教学方法、教学内容、教学态度以及教学效果4个指标构建教学质量评价指标体系;采用IPSO算法对BP模型的参数进行训练,优化其权值和阈值;将训练好的模型用于教学质量评价的测试和验证。结果表明,所构建的IPSO-BP模型收敛速度快、寻址效率高,可大大提高评估准确率,与普通BP神经网络相比,预测准确率达到96.7%,在教学质量评价中具有一定的应用和参考价值。

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。

基于BP神经网络与改进遗传算法的泵站优化调度

通常泵组件的调节主要依靠工程师经验,难以保证水泵在所有时段内均高效运行,易造成能源浪费,对此提出了以效率模型为依据的泵站优化调度方法。为减小误差,使用泵站实际运行数据基于BP神经网络训练水泵特性。在此基础上,利用训练后的数据初始化种群,以泵站效率之和最小为目标,建立泵站优化调度数学模型,设定水量、压力和高效区等约束条件,采用改进的遗传算法求解水泵组合方案及各泵运行参数。结果表明,改进遗传算法对泵站调度的优化效果明显,可适用于泵站的优化节能运行。研究成果为泵站优化调度运行提供了一种新方法。

基于改进PSO⁃BP神经网络的PID参数优化方法

针对传统PID控制器在面对实际对象时在线整定困难的问题,提出采用BP神经网络与PID控制器相结合,并采用粒子群算法对其网络权值矩阵进行优化,但在用粒子群算法优化BP神经网络PID控制器的参数时存在收敛速度不够快,易陷入局部最优解等问题。提出通过改进粒子群算法中惯性权重由常用的线性递减改为随机权重,然后将其最优粒子用于优化BP神经网络PID控制器的网络初始权值矩阵以得到更优的参数。最后通过仿真实验得到其相较于标准粒子群算法有更好的适应度函数曲线,并且其超调量为10.4%,调节时间为0.31 s,均小于同一传递函数下的BP神经网络PID和用标准粒子群算法优化的BP神经网络PID。结果表明该方法相较于BP神经网络PID和用标准粒子群算法优化的BP神经网络PID更具有优越性。

改进粒子群优化BP神经网络粮食产量预测模型

综合考虑影响粮食产量的多种因素,运用改进的粒子群算法优化BP神经网络的初始权重,建立了适合小样本粮食产量的预测模型.实验表明,与BP神经网络粮食预测模型和PSO-BP神经网络粮食预测模型相比,该模型具有更高的预测精度和较大的适应度.