神经网络权值和阈值的优化方法

为确定多层神经网络权值和阈值建立了真实的最优化求解方法，即将网络总体平均误差建立为目标函数，以权值和阈值作为设计变量，采用梯度法和共轭梯度法对网络权值和阈值进行优化计算·通过 Ｂ Ｐ 算法、梯度法和共轭梯度法对相同实例网络权值和阈值计算，验证了所提出的优化方法的有效性，实现了权值和阈值的快速准确计算·

人工神经网络的混合算法及其工程应用

为确定多层人工神经网络的权值和阈值建立了混合求解方法,即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。通过BP算法、梯度优化法和混合算法对相同实例网络权值和阈值的计算,验证了所提出的混合算法的有效性,实现了权值和阈值的快速准确计算。通过汽轮机故障诊断的实例计算,表明所提出算法的有效性和实际应用价值。

多层神经网络共轭梯度优化算法及其在模式识别中的应用

将神经网络总体平均误差作为目标函数 ,以待求的神经网络权值和阈值作为设计变量 ,通过设计变量合理排序与分配 ,提出多隐层多层神经网络权值和阈值计算的高精度真实共轭梯度最优化算法·与BP算法和梯度优化算法相比 ,既能实现每步迭代在搜索方向上获得最优步长保证目标函数递减 ,又能克服在目标点附近的振荡现象·编制出神经网络权值和阈值计算的通用程序 ,给出神经网络合理结构选择的基本原理·通过足球机器人位置分析算例的神经网络分析和模式识别 ,表明所提出算法的有效性和实际应用价值·

BP神经网络遥感水深反演算法的改进

针对BP神经网络遥感水深反演算法(简称传统BP算法)的缺点,提出了改进型BP神经网络遥感水深反演算法(简称改进型BP算法),其基本原理是在模型训练过程中反复运用粒子群算法对BP神经网络的权值和阈值进行优化以弥补传统BP算法的不足。试验表明:改进型BP算法的训练迭代收敛速度明显快于传统BP算法,浅水区的水深反演精度优于传统BP算法,且学习算法对初始权值和阈值不敏感。

机器人逆运动学的微分进化与粒子群优化BP神经网络求解

针对采用传统反向传播(BP)神经网络算法进行逆运动学求解收敛速度慢的问题,提出将微分进化(DE)与粒子群优化(PSO)算法相结合,对用于机器人逆运动学求解的BP神经网络进行优化。基于机器人正解映射建立优化算法的目标函数,在PSO过程中,引入DE操作优化粒子进化方向,并将此混合算法用于BP神经网络权值与阈值的优化。对KUKA机器人进行仿真实验,结果表明:采用该文方法对机器人逆运动学问题的求解精度高,求得的关节角度误差小于0.1°;逆运动学求解结果所对应位姿矩阵的位置误差在0.1 mm数量级,具有较好的泛化能力。该文方法满足机器人位置和姿态方面的精度要求。

基于改进PSO和模糊RBF神经网络的退火炉温控制

为提高对具有大滞后,强耦合的退火炉温度控制系统的控制精度,采用模糊径向基函数(RBF)神经网络控制炉温,并采用改进粒子群优化(PSO)算法进行优化。利用模糊推理过程与RBF神经网络所具有的函数等价性,统一系统函数。在利用改进PSO算法对模糊RBF神经网络进行训练时,先利用改进PSO算法得到模糊RBF神经网络的初始权值和阀值,然后对其进行二次优化得到最终的权值和阀值。仿真结果表明:该文方法降低了超调量,缩短了响应时间,稳态误差很小,能够拟合参考模型的输出,控制效果明显优于常规PID控制。

基于量子粒子群优化反向传播神经网络的手势识别

反向传播(BP)神经网络算法在手势识别中得到了广泛的应用。为了对算法进行改进以提高BP神经网络的学习效率,提出一种基于量子粒子群优化BP神经网络的手势识别训练算法。在手势识别过程中,首先采用量子粒子群算法(QPSO)训练BP神经网络,获得优化的BP神经网络权值和阈值;合理地定义并提取BP神经网络的手势识别样本;最后采用训练过的BP神经网络对动态手势进行识别。该算法简单,不依赖初始值,并且收敛速度快,尤其对于高维复杂问题,能保证收敛到最优解。实验结果表明,该算法平均训练时间达到5.15 s,识别正确率达到95.1%,效果明显优于一般的BP神经网络算法。

RDWKCPSO-PCA-BPNN的汽车燃油消耗预测

针对不同乘用车综合工况下理论百公里燃油消耗数据,文章提出了一种基于主成分分析(principal component analysis,PCA)和BP神经网络(back propagation neural network,BPNN)的燃油消耗预测模型;通过PCA方法对选取影响理论燃油消耗的24个因素进行压缩,简化模型结构,再利用BPNN算法,构建燃油消耗预测模型;由于神经网络中的权值和阈值对预测模型效果影响较大,采用基于随机动态惯性权重和Kent映射的混沌粒子群算法(RDWKCPSO)优化PCA-BPNN模型中的权值和阈值。对3种标准函数的寻优测试结果表明,RDWKCPSO优化算法更容易跳出局部最优实现全局寻优,提高了模型适应能力及预测精度。

基于改进共轭梯度理论神经网络优化算法研究

文章阐述了一种改进共轭梯度理论神经网络优化算法。该方法是在传统共轭梯度算法(CG)基础上引入对输出权值进行优化的理念,故称其为输出权值优化共轭梯度算法(OWO-CG)。这种算法在进行学习时,首先根据误差函数利用共轭梯度法计算收敛因子,并修改输入层和隐含层的权值因子;接着,计算隐含层输出函数,利用相关输出权值优化理论构建并求解线性方程组得到输出层的权值因子;最后,计算误差函数,利用该算法不停地修正神经网络回路输出值与期望输出值之间的差值,直到满足精度要求为止。仿真验证结果表明,与传统共轭梯度算法相比,这种算法的学习过程更加迅速和准确。

人工神经网络的混合算法及其在机械故障诊断中的应用

为确定多层人工神经网络的权值和阈值建立了混合求解方法,即迭代前期采用BP算法,而迭代后期采用梯度优化法进行计算.通过BP算法、梯度优化法和混合算法对相同实例网络权值和阈值的计算,验证了所提出的混合算法的有效性,实现了权值和阈值的快速准确计算.

基于共轭梯度法的多层神经网络训练方法

建立多层人工神经网络的最优化求解方法,以多层神经网络总体平均误差为目标函数,以权值和阈值作为设计变量,采用共轭梯度法对网络的权值和阈值进行优化计算,完成神经网络训练的方法。将优化原理应用到多层神经网络权值和阈值的计算问题,实现网络权值和阈值的快速计算,为分析神经网络的合理结构提供了必要条件。

改进PSO-GA-BP的PM2.5浓度预测

针对空气中PM2.5浓度受到气象因素和大气污染物的影响,且具有非线性、不确定性等特征,提出BP神经网络的预测方法。利用粒子群优化思想,在寻优过程引入遗传算法的交叉和变异操作,设计一种改进的PSO-GA混合算法对BP初始权值和阈值进行设定,有效避免陷入局部极小,提高收敛速度。仿真结果表明,改进的PSO-GA-BP预测模型和PSO-BP预测模型均可获得良好的预测结果,它们的RMSE、MAE和MAPE相差不大,分别为8.961、6.974、0.140和9.561、7.226、0.146,但在设定相同的进化代数时,改进的PSO-GA-BP预测模型比PSO-BP预测模型收敛性更好。

基于粒子群优化神经网络的水深反演模型

针对直接采用BP神经网络反演水深收敛速度慢,且易陷入局部最优的问题,提出了一种基于粒子群(PSO)优化BP神经网络的水深遥感新模型。该模型首先利用粒子群算法对BP神经网络的权重和阈值进行优化,然后将该优化值作为BP神经网络的初始值,最后再将PSO优化后的模型用于测试海区的反演精度评估。实验结果表明,该模型的网络收敛速度明显加快,水深反演的精度也得到提高。

基于改进烟花算法优化BP网络的混凝投药预测

针对自来水厂混凝投药量控制滞后、非线性、多干扰等问题,提出一种改进烟花算法(IFWA)优化BP神经网络权值阈值的自来水厂混凝投药量预测模型。通过改进爆炸算子和精英选择策略,提高烟花算法(FWA)的搜索能力和寻优精度,利用布谷鸟搜索算法最优解作为FWA算法的初始解,提高搜索效率,并结合高斯变异操作,跳出局部最优。同时,通过3个函数测试,证明了IFWA算法的有效性。最后以云南某自来水厂的数据训练和测试模型,仿真结果表明,基于IFWA算法优化BP神经网络预测模型的均方根误差约为0.0975,平均绝对误差约为0.0762,在预测精度和收敛速度上优于FWA、CS等算法,具有可行性。

基于MIV-PSO-BPNN的光伏出力短期预测

针对高比例光伏接入电网时,光伏出力的波动性会严重影响电力系统稳定运行的问题提出一种基于平均影响值与改进粒子群优化神经网络的组合式光伏出力短期预测模型。首先,采用直接预测法,选取总辐射量、直接辐射量、散射量、相对湿度、气温、风速和降雨量7个影响光伏出力的因素,构建MIV-PSO-BPNN模型,基于Rapid Miner数据挖掘得出降雨量对光伏出力平均影响值为0.0099,影响较小,不作为模型输入变量。然后,用改进PSO优化算法对BPNN的权值与阈值进行优化。最后,利用上海浦东国际机场T2-2光伏电站数据进行验证,结果表明MIV-PSO-BPNN模型对光伏出力预测有效,在实际中有一定应用价值。

基于TSA-DRNN模型的年径流预测研究

为了解决深度递归神经网络(DRNN)权值和阈值难以选取的问题,有效提高DRNN径流预测精度,提出了被囊群算法(TSA)与DRNN相融合的预测方法。选取4个标准测试函数对TSA进行仿真验证,并与粒子群优化(PSO)算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维并构建DRNN_(2)(双隐层DRNN)、DRNN_(3)(三隐层DRNN)、DRNN_(4)(四隐层DRNN)模型,利用TSA优化DRNN权值和阈值,建立了TSA-DRNN_(2)、TSA-DRNN_(3)、TSA-DRNN_(4)径流预测模型,并构建TSA-Elman、Elman、DRNN_(2)、DRNN_(3)、DRNN_(4)、TSA-SVM模型作对比;利用云南省姑老河站年径流预测实例对TSA-DRNN_(2)、TSA-DRNN_(3)、TSADRNN_(4)、TSA-Elman、Elman、DRNN_(2)、DRNN_(3)、DRNN_(4)、TSA-SVM模型进行检验。结果表明:在不同维度条件下,TSA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;TSA-DRNN_(2)、TSA-DRNN_(3)、TSADRNN_(4)模型对实例年径流预测的平均相对误差分别为3.63%、2.81%、2.50%,预测精度优于TSA-Elman等其他6种模型,且随着隐含层数的增加,预测精度呈提高趋势。TSA-DRNN模型用于径流预测是可行的,模型及DRNN权、阈值优化方法可为相关预测研究提供参考。

基于改进花朵授粉算法的BP神经网络短时交通流预测

国内道路交通拥堵问题日益严重,及时和准确的短时交通流预测是实现智能交通管控、减轻道路拥堵的关键基础,因此设计了一种基于惯性权重改进花朵授粉算法(MFPA)和误差逆向传播(BP)神经网络结合的MFPA-BP短时交通流预测模型。首先通过引入惯性权重和Mantegna方法改进花朵授粉算法,形成MFPA优化算法,并将其应用到BP神经网络进行初始权值和阈值的优化,使模型的收敛速度和效率得到提升。选用实际路段处理过的交通流数据对MFPA-BP模型进行训练并预测,与BP神经网络和RBF神经网络相比平均绝对误差(MAE)分别减少了20.01%和27.89%,均方根误差(RMSE)分别减少了18.25%和21.73%,同时MFPA-BP模型可以有效地减少迭代次数,提高道路交通流量预测的准确性,更好地应用于智能交通系统中。

基于调节优化BP神经网络的高校教学管理评估研究

为了提高高校教学管理评估的有效性与智能性,将粒子群优化BP神经网络算法运用于高校教学管理评估数据的分析。采用BP神经网络对教学管理评估指标进行建模,然后采用粒子群对神经网络传递函数的权重和阈值进行深入优化,保证BP神经网络的输出能取得全局最优解。经过实验证明,所提算法对高校教学管理评估对象的预估值与实际值拟合性好,有较强的推广价值。

改进型果蝇算法优化的灰色神经网络变形预测

针对灰色神经网络权值阈值的不确定性,该文提出改进型果蝇优化算法优化的灰色神经网络预测模型。通过添加逃脱系数修改适应度函数,同时引入三维空间搜索的概念扩大了果蝇搜索范围对基本果蝇优化算法进行改进,避免算法陷入早熟收敛的陷阱,加快收敛速度,有效地提高了算法的优化性能。利用改进型果蝇优化算法优化灰色神经网络参数建立预测模型。选用实际工程沉降数据仿真模拟,验证该模型的预测性能,并将预测结果与果蝇优化算法灰色神经网络、粒子群优化灰色神经网络和灰色神经网络进行比较。结果表明,改进型果蝇优化算法优化的灰色神经网络预测模型预测精度更高,拟合程度更好。

基于PSO-BP的矿井淋水井筒风温预测

为解决矿井井底风流温度预测的问题,采用BP神经网络为模型,利用PSO算法优化网络权值和阈值,建立了一种新的井底风温预测模型,并用Matlab编程实现。通过对淮南某煤矿井底风温影响因素的分析得出地面入风口处风流温度、湿球温度,地面大气压力及井底湿球温度等因素的影响力较大。应用PSO-BP模型与BP模型对数据分别进行测试并分析,结果表明,该模型具有收敛速度快、预测精确度高,是求解井底风温非线性变化规律的最有效方法之一。