基于ACO-BP神经网络的大坝渗流监测应用研究

随着我国水利工程的不断发展,施工环境复杂性和难度越来越高,坝体的安全监测内容十分重要,充分反应大坝实际安全稳定状态,降低施工风险。文章结合工程实例建立符合实际变形的ACO-BP神经网络预测模型,基于变形监测统计资料,定级预测坝体的渗流变形区间,通过计算成果分析该网络算法在大坝变形区间预测模型上能够实现设计要求。

基于神经网络算法的美术教学评价体系研究

本文深入研究BP神经网络模型和蚁群算法,提出了ACO-BP神经网络算法,该算法针对BP神经网络算法本身存在的无法跳出局部最优值以及网络收敛速度比较慢的主要问题,使用蚁群算法(ACO,Ant Colony Optimization)获得相对优化的神经元阈值参数和权值参数构造,基于此构建高性能、收敛快的BP神经网络模型。同时,针对蚁群算法全局搜索能力较差的问题,引入花粉授粉算法(FPA,Flower Pollination Algorithm)对其进行优化改进,提升全局寻优的能力,得到BP网络的最优参数。将本文提出的算法应用于美术教学评价,通过相应的比对实验,与经典的BP神经网络模型以及支持向量机预测模型进行比较,实验结果表明ACO-BP神经网络算法的美术教学评价模型的预测准确率最高,性能最佳。

一种改进BP神经网络的接收信号强度测距算法

针对传统路径损耗模型测距过多依赖于环境参数A和n的问题,该文在分析BP神经网络模型的基础上,引进了基于蚁群算法优化BP神经网络模型(ACO-BP)的信号衰减模型。利用蚁群算法寻找最优的初始阈值和权值,并将其赋予BP神经网络;将信号强度作为输入值,距离作为输出值对ACO-BP网络进行训练;利用Matlab进行模拟仿真实验。实验结果表明:ACO-BP神经网络比BP神经网络预测距离值的精度平均提高了75%,该算法可应用于无线网络室内定位技术中。