最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型.该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点.结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比.计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景.     

基于非单点模糊正则网络的时间序列预测模型

目的建立一种新的具有抗噪声能力的神经网络时间序列预测模型。方法通过将非单点模糊系统引入正则神经网络结构来建立模型。结果具有很强的抗噪声能力,且收敛速度快,全局搜索能力强。将该模型用于实例样本的预测,并和别的神经网络预测模型相比较。抗噪声能力的神经网络时间序列预测模型性能,比神经网络预测模型的性能显著提高。结论所建立的模型在性能上有显著提高,在一定程度上解决了视经网络的固有缺陷,今后有待降低计算复杂度。     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

切片平均分子量神经网络预测模型的研究及应用

建立聚合反应切片平均分子量的预测模型对锦纶帘子布的生产有重要的意义,该文采用改进的遗传算法（ＧＡ）和ＢＰ算法相结合的混合学习算法来训练神经网络,并采用多元逐步回归法对输入层节点数进行了优化,建立了聚合反应切片平均分子量在线预测的神经网络模型。在某化工厂聚合反应中的应用表明,该模型比基于最小二乘法的预测模型收敛速度快,预测精度高、网络有泛化能力强。     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

基于样本选择与PSO-ANN的葡萄酒酒精浓度预测

为了提高拉曼光谱定量分析模型的准确性以及稳健性,提出了一种新的样本选择算法——KM法.实验中以40组葡萄酒光谱为分析对象,将KM法与传统的RS,KS,SPXY样本选择算法相比较.实验结果表明: KM法获得的|RMSEP-RMSEC|要优于其他三种方法,剩余预测偏差(RPD)存在显著性差异,说明KM法具有很好的预测准确度.同时,针对BP神经网络易陷入局部极值的问题,将粒子群优化算法用于优化人工神经网络的参数(PSO-ANN),通过与遗传算法、人工鱼群算法及混合蛙跳算法比较,发现PSO-ANN较之于其他三种方法,能够提高BP神经网络泛化性能,具有收敛速度快、稳健性强及预测精度高等优势.     

基于混沌二进制粒子群算法的认知无线电频谱分配策略

为了解决认知无线电网络中以最大化网络效益为准则的频谱分配难问题,提出一种基于混沌二进制粒子群算法的动态时变频谱分配策略。在该策略中,针对二进制粒子群算法收敛速度慢且后期粒子搜索具有单一性的缺陷,引入混沌映射对初始种群和每代粒子位置进行遍历优化,以提高粒子的全局寻优性能,搭建降维频谱分配数学模型,降低算法计算繁杂度,减少时间开销。实验结果证明,所提算法收敛速率快,可获得较高的网络收益。     

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。     

自动化立体仓库固定货架拣选路径问题研究

为提高自动化立体仓库拣选效率,以存取时间最短为目标,针对单巷道固定货架拣选作业过程,构建了解决拣选作业路径优化问题的数学模型,提出结合模拟退火算法的混合粒子群算法.该算法在求解过程中用粒子群算法初始化种群,提高了优化效率,缩短了搜索时间;在迭代过程中采用模拟退火算法,利用其概率突跳能力,以避免基本粒子群算法迭代过程中陷入局部最优和早熟收敛.通过实例验证,该算法比标准粒子群算法所用时间短、收敛速度快、迭代次数少.     

一种新的粒子群算法与人工鱼群算法的混合算法

通过分析粒子群算法和人工鱼群算法的优缺点,利用粒子群算法收敛速度快及人工鱼群算法能较好地收敛到全局最优解的特点,提出了一种新的混合算法.算法以粒子群为基础进行设计,根据人工鱼群的公告板、群聚和随行策略的模式对粒子群进行速度与位置变更,使原有的粒子群变成具有一定智能的粒子,从而达到提高搜索精度及效率的目的.通过Generalize-Schwefel等3个经典函数进行优化仿真后发现,该混合算法具有搜索精度更高及收敛速度更快的特点,同时该算法在求解高维问题时具有明显优势.     

考虑时空相关随机行驶时间的车辆路径问题模型与算法

本文对一类在真实道路网络中考虑时空相关的随机行驶时间的车辆路径问题进行了研究. 首先我们建立了该问题的两阶段随机规划模型. 然后我们将用于候选解寻优的智能优化算法与用于产生评价解的随机场景的情景生成技术相结合,提出一种智能随机优化方法求解该问题. 为了有效地进行解的寻优,本文结合可变邻域下降算法提出了一种混合粒子群优化算法.最后通过一系列基于北京市区道路网络的算例实验,我们验证了所提出的混合粒子群优化算法的有效性.实验结果还表明,考虑实际交通环境中道路网络上车辆行驶时间的时空相关性,会影响最优车辆路径决策方案.     

基于遗传粒子群混合的可重入生产调度优化

可重入生产调度优化问题是个NP难问题,针对可重入生产调度的特点,对该优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用.结合粒子群算法收敛速度快与遗传算法全局搜索能力强的特点,进行优势互补,并优化设计相关参数,构造了一种混合算法.运用混合算法对供应链优化调度问题模型进行求解,与标准遗传算法、粒子群算法的求解结果进行比较,结果表明混合算法有着更好的优化性能.