基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.     

基于多因素粒子群－神经网络算法的短期电价预测

本文提出在神经网络训练中引入基于全局随机优化思想的粒子群优化（PSO）算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。对美国PJM电力市场的实际电价（LMP）进行预测．与传统BP神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,验证了该方法的有效性和可行性。     

基于改进PSO神经网络的微米木纤维切削参数优化

针对使用传统加工技术切削后的工件无法达到精密要求的问题,为了从工艺流程角度提升微米木纤维的加工精度和切削效果,提出了一种基于改进粒子群算法和BP神经网络的优化算法,以实现微米木纤维的精密切削加工。采用误差反向传播算法实现切削参数间复杂关系的最佳结构选择,通过改进的粒子群优化算法(PSO)解决了BP网络自身的局部极小值收敛的缺陷,给出了科学合理的切削参数输出。通过不同树种的微米木纤维切削参数仿真优化实验,验证了算法的准确性、训练精度和有效性。研究表明:提出的改进优化算法可以预测出待加工木材的切削参数,且具有较高的训练精度。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

一种基于优化小波神经网络的语音识别

在以往的BP小波神经网络中,最常用的学习算法是BP算法,BP算法实质上就是梯度下降法,是一种局部搜索算法,梯度下降法使得网络极易陷入局部最小值,从而使得网络训练结果不尽人意,搜索成功概率低.取代传统的梯度下降法,利用粒子群算法对小波神经网络中的参数进行优化.然后利用基于粒子群优化(PSO)的小波神经网络进行抗噪声语音识别实验,仿真结果表明,与BP网络相比,PSO算法在迭代次数、函数逼近误差、网络性能方面均优于BP网络,系统的识别率也得到较大的提高.     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

基于粒子群优化的神经网络漏钢预报模型研究

针对BP神经网络在训练过程中收敛速度慢以及用于模式识别泛化能力差的问题,将粒子群优化算法PSO引入到BP神经网络的训练过程,建立了PSO-BP神经网络模型,并将其应用到连铸漏钢预报系统中。结合某钢厂连铸现场历史数据对该连铸漏钢预报系统进行了测试,测试结果以98.03%的预报率及100%的报出率,验证了基于粒子群优化算法的BP神经网络连铸漏钢预报系统模型的可行性和有效性。     

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PSO-BP神经网络的纱线质量预测

针对复杂纺纱过程中成纱断裂强度难以预测的问题,提出一种基于粒子群优化算法(PSO)优化BP神经网络的成纱断裂强度预测方法.该方法采用PSO优化神经网络的权值和阈值,用来提高神经网络的收敛速度和获得全局最优解的能力.以纺纱车间大量现场质量检测数据为对象,进行预测验证,结果表明,PSO-BP神经网络在预测相关性(预测值与实际值的一致性程度)上与传统BP算法相比提高5.0%,与GA-BP算法相比提高4.6%,在预测精度上均要好于BP神经网络与GABP神经网络.     

改进PSO-BP算法在配电网故障选线中的应用

为了提高配电网单相接地故障选线的效果,提出一种改进粒子群(PSO)算法优化反向传播(BP)神经网络的故障选线方法。通过小波包变换(WPT)提取各条出线的零序电流暂态能量分量结合五次谐波分量、零序有功分量作为BP神经网络的输入变量,利用改进PSO算法优化后的BP神经网络完成训练并测试,输出选线结果。仿真结果表明,与BP、PSO-BP算法相比,改进PSO-BP算法收敛快、选线精度较高,且不受接地电阻、故障位置及相位角的影响。     

一种基于粒子群优化算法的神经网络训练方法

介绍了粒子群优化(PSO)算法的原理,研究了将PSO算法应用于神经网络训练的方法,给出了算法软件实现的基本流程,并对Iris分类问题做了仿真实验,通过与BP算法的比较,结果表明基于PSO的神经网络训练算法操作简单,易于实现,而且训练精度较高,有良好的收敛性.     

基于PSO-Elman高速公路交通流预测研究

本文提出了基于粒子群算法(PSO)的Elman神经网络混合优化策略,采用PSO优化连接权值来训练神经网络,与标准BP算法相比,PSO采用实数编码,结构简单,学习收敛快,仿真结果表明该模型适合于高速公路短期交通流预测.     

基于混合粒子群算法的沥青转运车螺旋搅料器模型及仿真

 为解决沥青转运车螺旋搅料器搅拌特性建模困难的问题,运用人工智能理论建立了以螺距、叶片半径为输入,沥青混合料的离析率为输出的神经网络模型。为克服BP算法与粒子群算法（PSO）的缺陷,将L-M算法与PSO算法相融合的混合粒子群算法PSOLM应用于该神经网络模型的学习算法中。为避免PSOLM算法在全局最优值附近的搜索过程变慢,采用一种从PSO搜索到L-M搜索的启发式算法。仿真试验结果表明,与BP算法、PSOBP算法相比,该算法不仅对螺旋搅料器模型的精度和建模的效率有显著的提高,而且改善了PSO算法的全局寻优能力,提高了算法的收敛速度和计算精度,避免了PSO算法早熟现象的出现,为螺旋搅料器搅拌特性的建模提供一条新的有效解决途径。     

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

改进型粒子群优化算法的BP神经网络全息图压缩

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。     

粒子群优化BP神经网络PID控制注塑机液压系统

注塑机液压系统是一个时变、非线性和高耦合的复杂系统,传统PID控制参数不易整定,超调量大,对注塑机液压系统控制效果欠佳,现提出一种粒子群优化BP神经网络算法改良PID控制。BP神经网络算法存在收敛速度慢和容易陷入局部最小值的缺陷,利用粒子群算法的全局最优和收敛速度快的特性改良BP神经网络,然后利用粒子群优化BP神经网络对PID的3个参数进行在线调整。仿真结果表明,经过粒子群优化后的BP神经网络对PID3个参数的整定效果要比BP网络要好,同时粒子群优化BP神经网络PID控制效果明显优于传统PID控制,可以有效提高注塑机液压系统的精度和响应速度,优化注塑过程。     

基于LM-PSO算法和BP神经网络的非线性预测控制

针对非线性系统,提出了一种基于BP神经网络的预测控制方法。以BP神经网络建立多步预测模型并预测系统输出值,用LM(Levenberg-Marquardt)算法和PSO(Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正。通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度。通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性。该方法可在数学模型不确定的情况下设计出有效的预测控制器。     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

前向神经网络粒子群优化学习算法研究

将粒子群优化算法用于前向神经网络权值的学习算法研究,以神经网络学习算法研究的典型问题之一的XOR问题作为研究实例,针对算法的收敛性、学习速度以及算法对初值的鲁棒性等性能指标,分别对标准的PSO算法、改进的PSO算法以及BP算法及其带动量项的BP算法进行了比较研究.研究表明,PSO算法在前向神经网络权值的学习算法中其所有的性能指标均优于传统的BP算法,PSO算法在神经网络的应用中具有广阔的前景.     

物流配送中心选址的IPSO-BP算法

改进标准粒子群优化算法（PSO）的惯性权重参数,提出基于IPSO的BP神经网络算法,以提高物流配送中心选址的预测精度。仿真结果表明,IPSO-BP神经网络算法的预测精度优于常规BP神经网络算法,不仅改进了网络的收敛速度并且提高了预测准确性。