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。

基于改进粒子群算法的BP神经网络及其应用

目前BP神经网络是一种有效的预测方法,但在实际应用当中存在着一些自身的缺点,为此提出了一种基于改进粒子群算法的BP神经网络。通过动态调整粒子群算法中的惯性因子ω,有效地增强了算法对非线性问题的处理能力,同时提高了算法的收敛速度和搜索全局最优值的能力。建立改进后的BP网络模型,通过该模型和逐步回归方法对某市降水量进行实例分析。分析结果表明,改进后的BP网络模型具有较高的准备预报能力和稳定性。

基于粒子群算法的BP神经网络光伏电池建模

针对光伏电池复杂难以建模的非线性特性,本文提出一种基于粒子群算法(PSO)的反向传播(BP)神经网络建模方法。神经网络具有很强的非线性拟合能力,但同时也存在收敛速度慢、容易陷入局部极值、建模精度不高等缺点。本文采用粒子群算法来优化神经网络的内部连接权值,以改善神经网络的性能,并基于这种改进的神经网络构建光伏电池动态模型。测试及仿真结果表明,通过此法建立的光伏电池模型辨识精度高,收敛速度快,取得了较好的效果。

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。

基于改进粒子群算法的BP神经网络优化研究

研究了基于粒子群算法的BP神经网络优化问题,将改进的粒子群优化算法用于BP神经网络的学习训练,并与传统的BP网络进行了比较。结果表明,将改进粒子群优化算法用于BP神经网络优化,不仅能更快地收敛于最优解,而且很大程度地提高了结果的精度。

基于改进粒子群算法的BP神经网络模型研究

为解决BP神经网络局部性收敛度慢的问题,提出了基于改进粒子群算法的BP神经网络模型.该方法通过粒子群进化速率动态调整惯性权重因子,提高了算法的收敛速度和全局搜索最优值的能力.提出的模型和改进的算法模拟仿真表明:该方法对收敛速度和精度有更好的拟合性.

基于改进粒子群算法的BP神经网络在边坡稳定性评价中的应用

边坡稳定性分析与评价是边坡工程的核心内容,具有高度非线性和不确定性特征.首先,选取了多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、粘聚力、坡角、坡高、孔隙比六个主要影响因素作为土坡稳定性的评价判别指标;然后,采用改进的粒子群算法优化BP神经网络模型,将网络权值和阈值粒子化,通过引入粒子群进化度和粒子群聚合度实现惯性权重的动态变化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而增强算法对非线性问题的处理能力,加快了收敛速度;最后,通过与其它边坡稳定性评价算法进行比较分析,表明了本文研究算法的可行性与合理性.

基于粒子群算法的BP神经网络在大气NO_(2)浓度预测中的应用研究

NO_(2)是主要的大气污染气体之一,在大气光化学过程中起着重要作用。研究NO_(2)浓度的时空演变,预测其浓度变化趋势,对政府出台改善环境措施具有重要意义。提出利用粒子群算法(PSO)的反向传播(BP)神经网络对大气NO_(2)浓度进行预测。以合肥地区2017年1月1日至2019年12月31日的大气污染数据和气象数据为基础,结合逐步回归方法筛选出与NO_(2)浓度相关性较大的影响因子作为输入样本。构建PSO-BP神经网络预测模型,利用PSO找出BP神经网络最优的初始权值和阈值。对比BP神经网络、遗传算法改进的BP神经网络和PSO改进的BP神经网络三种模型的预测结果,发现PSO-BP模型能够较为准确地预测出NO_(2)浓度的动态变化规律,并且预测精度高、模式简单,有望广泛应用于大气污染物浓度预测等方面的研究。

基于改进粒子群算法的BP神经网络在初始地应力场反演优化中的应用

为找到一种较为精确的方法反演出最接近实际情况的初始地应力场,首先对传统粒子群算法进行改进,以弥补传统粒子群算法搜索范围过于局限的缺陷,然后将改进粒子群算法与BP神经网络算法相结合,来解决BP神经网络收敛速度慢、精度不足等缺点,最后对某抽水蓄能电站初始地应力场的反演进行优化,并与BP神经网络的计算结果和实测值进行对比,发现该方法可提高优化精度。

基于粒子群算法的BP神经网络优化在电站锅炉燃烧中应用研究

用BP神经网络对电站锅炉运行数据进行训练、测试,并在此基础上使用粒子群算法对已建立的锅炉BP神经网络模型做进一步优化。通过对网络预测输出值与实际值之间的比较,明确PSOBP可以更好地提升BP神经网络的泛化能力。

基于粒子群算法的BP神经网络电价预测研究

电力负荷预测是电力系统规划和运行的主要内容,而实时电价是影响负荷预测精度的一个重要因素,文章通过分析某电网电价历史数据,结合PSO算法和BP网络优点,提出一种PSO-BP神经网络预测模型,用PSO算法优化BP神经网络的初始权值和阈值,将电力系统电价的不确定性变为可预测性。Matlab仿真结果表明,PSO-BP神经网络预测模型收敛速度快和预测精度高,可运用到未来实际电价预测当中。

基于粒子群算法的BP神经网络在地下水位预测中的研究

地下水位是衡量生态环境优劣和地下水资源的一个重要指标。因此预测地下水位对水资源的合理调度具有十分重要的意义。本文利用粒子群算法优化BP神经网络,建立地下水位预测模型。通过实例仿真,证明了该粒子群-BP神经网络模型的预测精度较好。

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。

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。

基于粒子群优化BP神经网络PID的供热控制系统仿真研究

供热系统技术属于清洁技术,但其能耗非常大,因此在供热系统中能源的损耗问题就显得尤为重要。与此同时,我国供暖过程多数是用传统PID对供暖系统进行控制,由于传统PID控制响应时间长、超调量高且受外界影响较大,造成能源未充分利用、浪费现象严重。因此针对此问题,提出了在供暖系统中采用一种基于粒子群优化BP神经网络PID的控制策略,不仅可以解决供暖时水温不稳定、水温上升时间长等问题,而且可以更好地解决能源未充分利用问题。本文建立供热系统的数学模型,然后利用Matlab中的Simulink设计并仿真粒子群BP神经网络PID控制器。实验结果表明,改进后的PID控制器抗干扰能力强且具有较好的鲁棒性,对供热控制系统有更好的控制效果。

基于改进粒子群算法优化CNN-LSTM神经网络的传染病预测

针对新型传染病发展趋势的预测精度问题,提出一种改进粒子群(PSO)算法优化卷积神经网络(CNN)与长短期记忆神经网络(LSTM)相结合的预测模型.首先,将原始粒子群优化算法中最优惯性权重的调整方式由迭代次数的线性关系转变为非线性关系,并对学习因子进行线性更新,以寻找最优参数,从而更准确地模拟粒子群的社会学习能力,进而平衡算法的全局优化能力,提高收敛速度;其次,以发酵时间较长的新型冠状肺炎为研究对象,构建CNN-LSTM神经网络预测模型,利用CNN层提取其特征信息后降维作为LSTM层输入,并通过预测模块实现对研究对象的指标训练和预测,从而提高模型的预测精度;最后,与原始LSTM模型的预测误差,如均方根误差(RMSE)、平均绝对误差(MAE)、均方误差(MSE)等指标进行对比.研究结果表明,在训练集上,与原始LSTM模型相比,经过改进的PSO算法优化CNN-LSTM组合神经网络模型,其在RMSE、MAE和MSE三个指标上分别降低了73.0%、62.3%、92.7%;在测试集上,这3个指标分别降低了23.0%、29.8%、40.7%.这说明该模型具有更小的误差和较好的预测效果.该研究结果可为实现传染病传播趋势的精准预测提供新的思路和方法.

基于粒子群优化BP神经网络的激光扫描投影系统畸变预测方法

为了精准、高效地预测和校正激光扫描投影系统的畸变误差,研究了基于粒子群优化BP神经网络的畸变预测方法。建立了BP神经网络结构,并融合粒子群优化算法对BP神经网络的权值和阈值进行优化,得出基于粒子群优化BP神经网络的激光扫描投影系统投影畸变预测模型。选取距激光扫描投影仪器两米的待投影面上的理论坐标点及各点相应畸变值Δx作为粒子群优化BP神经网络的训练数据集,将待投影面上实际投影位置坐标代入训练好的粒子群优化BP神经网络进行预测得到预测畸变值输出,并与实际畸变值对比,最后,引入Elman神经网络预测模型的预测结果与所研究预测方法进行对比。结果表明:在±30°的全视场扫描投影范围内粒子群优化BP神经网络预测模型的均方根误差为0.0176 mm,解算时间仅需22.4 s,相较于Elman神经网络效率提升78.33%,预测精度及时间明显优于Elman神经网络,可以有效预测激光扫描投影系统的畸变误差。