基于改进粒子群算法优化BP网络的短期风电功率预测

风电功率短期预测对于电网的调度运行有着极为重要的意义,BP神经网络算法作为一种常见的风电功率预测方法,针对其易于陷入局部最优、精度不稳定的缺点,引入改进的二阶震荡粒子群算法优化BP神经网络的初始权值和阈值,构建复合型神经网络预测模型。同BP神经网络、粒子群BP神经网络、二阶震荡粒子群BP神经网络进行实验对比,验证了改进二阶震荡粒子群BP神经网络有较高的预测精度。

基于粒子群算法优化BP神经网络的轴承故障诊断

通过PSO优化BP神经网络的权值和阈值,采用此算法对滚动轴承进行故障诊断,以驱动端加速度数据和风扇端加速度数据作为输入,通过训练网络输出轴承3种不同状态,实现对轴承的故障诊断。仿真结果表明:此网络模型能够准确识别出轴承运行状态和故障类型,正常样本测试准确率达到98%,并且相对于BP神经网络来说测试精度和准确性都有较大提升,泛化能力更强,可行性高。

计及改进粒子群算法优化BP神经网络的沼气产量软测量预测模型

为准确预测大中型沼气工程的日产气量,提出一种利用基于PSO-BP模型的软测量方法。首先,依托软测量技术选取参数;其次,以进料量、发酵温度、液位、罐内液压等参数作为输入量,沼气日产量为输出量进行模型建立。在此基础上,使用线性降低权重系数法和引入变异算子对粒子群算法进行改进,并对BP神经网络进行初始化来提高模型性能。通过实验比较改进PSO-BP模型、传统BP神经网络以及遗传算法优化的BP神经网络在预测沼气日产量方面的性能,采用改进的PSO-BP模型进行预测时,均方根误差(RMSE)、决定系数(R2)和平均绝对误差(MAE)分别为1.38440、0.84011和1.00910,证明改进PSO-BP模型结合软测量技术对进行复杂非线性牛粪高温厌氧发酵过程预测的可行性,同时可保证预测结果的精准性。

基于GA-BP神经网络和改进粒子群算法的碰撞射流和冷却顶板复合空调系统优化

对碰撞射流和辐射顶板(IJV/RC)复合空调在不同室内负荷条件下运行时的室内热环境进行数值模拟,基于遗传算法-反馈(GA-BP)神经网络建立运行性能(吹风感R_(PD),头足温差Δt,空气交换效率e ACE,工作区平均温度t_(a))与设计变量(送风温度t_(s)、送风速度v_(s)、冷却顶板内表面温度t_(c)、房间负荷Q_(c))之间的预测模型,通过相关性分析确定设计变量对运行性能影响的显著性并排序。结果表明,增大v_(s)可使Δt降低,但R_(PD)增大;增大t_(c)有助于降低Δt和R_(PD),但t_(a)升高;为使t_(a)下降,可通过降低t_(s)来实现,但室内空气质量变差。为确保IJV/RC复合空调能在保证室内热舒适的同时提供良好室内空气品质,利用改进粒子群算法对复合空调的运行性能进行多目标同时优化,建立不同房间负荷条件下的设计参量最优匹配关系。研究结果可为IJV/RC复合空调的优化设计和运行控制提供理论指导。

基于粒子群算法优化BP神经网络的高低温试验箱温度预测

为提高高低温试验箱内部温度预测精度,通过建立粒子群算法优化后的BP神经网络(PSO-BP)模型对高低温试验箱内工作区温度变化情况进行预测,并利用试验采集的有限点温度数据进行对比分析,为高低温试验箱内温度特性的分析计算提供理论和数据支持。结果表明PSO-BP网络取得最小训练误差为9.35×10^(-5),与BP神经网络相比,优化后的PSO-BP神经网络训练集和测试集拟合精度分别提高了1.09%和2.43%。BP网络和PSO-BP网络平均绝对误差(MAE)分别为1.480和0.753,均方根误差(RMSE)分别为1.979和1.842,综合表明PSOBP神经网络预测精准度更高,可有效获得高低温试验箱内连续完整的温度情况,提高了试验箱研发工作效率。

基于粒子群算法优化BP神经网络的沙颍河流域需水预测

需水预测作为水资源供需分析中的重要环节,准确的需水预测能够为水资源管理政策制定、区域水资源配置、流域水资源调度等提供科学依据。以沙颍河流域为研究对象,基于粒子群优化算法的神经网络模型,对沙颍河流域需水进行预测,以期为流域需水预测提供参考。

基于蝙蝠—粒子群算法优化BP神经网络的电动汽车锂电池故障诊断

针对电动汽车锂电池故障诊断问题,在分析锂电池故障特征与故障原因的基础上,建立电动汽车锂电池故障诊断模型。该模型包括锂电池故障样本采集处理、BP神经网络、故障特征编码输出及故障类型诊断。采取蝙蝠—粒子群算法优化BP神经网络初始结构参数,利用改进BP算法和故障样本训练并测试BP神经网络。仿真实验结果表明:相比BP算法、遗传算法、粒子群算法,蝙蝠—粒子群算法优化BP神经网络的故障诊断准确性最高、训练时间最短、训练误差最小。

基于粒子群算法优化BP神经网络的电力负荷预测

准确的负荷预测是保证电网平稳运行的重要因素,本文提出了一种基于粒子群算法(PSO)优化BP神经网络预测模型的方法。该方法引入了粒子群算法这一新型的群智能算法,通过多次迭代进行模型优化,与BP神经网络相结合,消除了后者收敛速度较慢、较易陷入局部极值等缺点。经MATLAB仿真结果验证,该模型具有较高的准确性和稳定性,为电力负荷预测提供了一种实用的方法。

基于粒子群优化BP神经网络的中空夹层钢管混凝土柱轴压承载力研究

圆中空夹层钢管混凝土(concrete filled double-skin steel tube,CFDST)柱因其独特的结构形式与优异的力学性能,已成为现代工程结构中的主要受力构件。然而外钢管、内钢管与核心混凝土之间的相互约束作用导致其受力比较复杂。为此,采用PSO-BP混合神经网络算法对圆CFDST柱的轴压承载力进行了研究。收集了167组数据建立数据库,并选取8种影响因素作为输入层参数,轴压承载力作为输出层参数,分析了传统BP神经网络模型所存在的缺陷,建立了PSO-BP神经网络模型。此外,将机器学习模型与3种规范的结果进行比较,结果表明机器学习模型的精度比3种规范的精度更高。相较于BP神经网络模型,PSO-BP神经网络模型具有更好的预测能力,更有助于预测CFDST柱的轴压承载力,对工程上研究CFDST柱的力学性能有着重要意义。

粒子群优化径向基网络的空间调制信号检测算法

针对径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)参数确定不当时易陷入局部最优的问题,提出一种粒子群(Particle Swarm Optimization,PSO)优化RBFNN的空间调制正交频分复用(Optical Spatial Modulation Orthogonal Frequency Division Multiplexing,O-SM-OFDM)信号检测算法。在离线训练阶段,接收端收集部分信号作为训练集并建立RBFNN模型,利用PSO算法搜索RBFNN的最优宽度值,再将得到的模型用于系统进行在线检测。实验结果表明,PSO-RBFNN算法的误码率性能基本近似于最大似然(Maximum Likelihood,ML)检测算法,优于其他对比检测算法,且计算复杂度在光源数目为32、64及128时相较于ML检测算法分别降低了约39.59%、70.24%及85.24%。

基于神经网络和粒子群算法的硅钢工艺参数优化

结合BP神经网络与粒子群算法,提出了一种降低硅钢铁损的工艺参数优化策略。首先,采用BP神经网络建立了对硅钢铁损的预测模型,模型具有很高的拟合精度和预测精度。然后在工艺参数的优化方面,以BP神经网络预测模型作为适应度函数,选取连续退火RTF炉段的各段炉温作为优化变量,采用粒子群算法优化这些工艺参数。结果显示,基于BP神经网络,采用粒子群算法对部分工艺参数进行优化后,硅钢铁损明显降低,具有一定的指导意义。

一种粒子群优化脉冲耦合神经网络的全色锐化算法

为了进一步降低多光谱与全色影像融合后的光谱和空间信息失真,提高融合质量,文章提出一种粒子群优化脉冲耦合神经网络的多光谱与全色影像融合算法。该算法基于主成分分析和非下采样剪切波搭建融合方法的基础融合框架,在低频系数融合过程中使用细节注射的融合方法,降低非必要的信息注射,从而提高光谱保持度。在融合高频系数时,采用参数自适应的简化脉冲耦合神经网络计算融合权重,并基于粒子群优化算法全局搜索能够获取最佳融合质量的对应参数,以提高空间信息的完整性和清晰度。文章通过三组实验验证提出算法的可行性,并与现有的、经典的融合算法进行对比,实验显示:文章提出的融合算法在三组实验中的光谱角映射均在0.1左右,通用图像质量指数在0.9以上。实验结果表明:该算法不仅能够有效提高全色与多光谱影像的融合质量,而且融合效果稳健,在对比实验中具有最佳的融合性能。

基于粒子群优化算法的电弧增材制造焊道尺寸反向传播神经网络预测模型

选取焊接电流、送丝速度、焊接速度及基板温度作为输入变量,焊道熔宽和余高作为输出变量,选择粒子群优化(PSO)算法中的最优粒子惯性权重和学习因子,构建熔化极惰性气体保护电弧增材制造316L不锈钢PSO反向传播(PSO-BP)神经网络模型。结果表明:PSO-BP神经网络模型预测的焊道熔宽与期望值的均方根误差、最大相对误差与平均相对误差分别为0.386,13.477%,2.580%,焊道余高的分别为0.152,10.372%,2.810%;相较于BP神经网络模型,PSOBP神经网络模型对焊道尺寸的预测精度更高,稳定性更强。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

基于粒子群算法的BP神经网络优化技术

针对传统BP神经网络存在学习效率低、收敛速度慢和容易陷入局部极小值的问题,提出一种基于改进的PSO来优化BP神经网络的方法。通过在PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,将优化的BP神经网络用于遗传高血压患病年龄的预测中。实验结果表明,该方法较好地解决了传统BP神经网络易陷入局部极小值的问题,提高了算法的收敛速度和稳定性。

基于粒子群优化的BP网络学习算法

本文提出一种新颖的基于粒子群优化的BP网络学习算法 ,该算法是一种全局随机优化算法。用Iris分类问题 ,将所提出的算法与BP算法作了对比实验。实验结果表明 :所提出的算法性能优于BP算法 。

基于粒子群优化算法的BP网络模型在径流预测中的应用

本文介绍了一种全局随机优化算法一粒子群优化算法,并将其用于BP网络模型,对模型参数进行优化来提高模型的收敛速度和精度。最后利用参数优化前后的BP模型进行径流预测,结果表明模型收敛速度和精度明显提高。

基于粒子群算法的网络安全评估优化方案设计

为了进一步改善网络安全评估的效果,提出一种基于粒子群算法的网络安全评估优化方案,网络安全评估是保护互联网和信息系统免受恶意攻击的关键任务,因此提高评估效果对于信息安全领域具有重要意义。介绍了一个融合PSO算法和贝叶斯网络的网络安全评估方案,目标是提升网络安全评估的准确性和效率。方案的流程包括数据处理、模式构建、关联数据挖掘、粒子群算法和贝叶斯网络训练等步骤。实验证明,所提出的方案比其他方法更准确,并可以识别各种攻击行为,为网络管理员提供决策支持。综上所述,所提出方法的应用将为网络安全领域的决策和应用提供有力的支持,促进信息系统的安全保护,未来的研究可以进一步探索如何应用该方法来解决更复杂的网络安全问题。

基于粒子群优化算法的BP网络学习研究

文章提出了基于粒子群优化的BP网络学习算法。在该算法中,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。并将该算法应用在了高速公路动态称重系统的设计中,实验证明:这种算法能够明显减少迭代次数、提高收敛精度,其泛化性能也优于传统BP算法。

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。