基于随机参数调整的改进反向传播学习算法

针对BP(反向传播)神经网络学习易陷入局部极小的缺陷,提出了一种改进BP神经网络学习算法——RMBP算法.RMBP算法在学习参数调整中增加了随机性,使其方便地跳出局部极小点,并沿梯度下降方向到达全局极小点.异或问题的学习试验结果表明,RMBP算法较BP学习算法和其他常见的改进BP算法具有学习速度快、学习精度高、资源占用少的优势.最后,结合民航飞机实时飞行仿真系统研究,对一组飞机空气动力参数样本进行了学习,以说明RMBP算法的有效性.

基于模态分解与SRU网络的时间序列预测

时间序列预测在工业、农业、金融及军事等领域中具有重要的应用价值。为了进一步提高预测的可靠性和准确性,构建一种基于模态分解与SRU网络的杂交预测模型。首先,针对模态个数难以确定的问题,构建基于平均样本熵来确定模态个数的自适应变分模态分解(AVMD)模型,以减少不同频率上的混叠及降低随机噪声的干扰。通过在Adam算法中引入了随机调整参数,来提高SRU网络的训练速度及增强网络跳出局部最优解的能力。最后,发展一种基于AVMD与SRU网络的杂交模型。为评估提出的预测模型的可靠性和准确性,将之与一些最新预测方法做比较。电力负荷序列的实验结果表明,所提出的杂交预测模型具有较高的准确性和可靠性。

基于改进螺旋更新位置模型的鲸鱼优化算法

针对鲸鱼算法后期种群的多样性丢失问题,通过螺旋更新位置模型的改进并结合对立学习策略、随机调整参数、正态变异操作等已有方法改进鲸鱼优化算法.采用对立学习策略对鲸鱼种群初始化,为全局搜索奠定基础;利用随机调整控制参数的策略,避免了算法后期陷入局部最优;正态变异算子与改进螺旋更新位置对鲸鱼种群进行干扰,避免种群后期向某个最优区域靠拢,增大算法的全局搜索能力.选取文献[4]中23个国际标准测试函数,包括单峰、多峰以及固定维数函数,对改进的算法进行低维测试;选取文献[12]中的25个单峰和多峰国际标准测试函数,对改进的算法进行高维测试.结果表明,IMWOA算法在收敛精度、收敛速度上均明显优于原WOA算法且具有普遍适用性、稳定性和解决超大规模优化问题的能力.