PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

基于混合遗传BP神经网络的城市系统作战能力评估

针对现有城市系统作战能力评估方法较少的问题,利用反向传播(back propagation,BP)神经网络在能力评估方面所具有的自适应、自学习、强容错性和泛化映射等优势,建立了评估指标体系并给出了指标的隶属函数。通过模拟退火遗传算法(simulated annealing and genetic algorithm，SAGA)优化 BP 神经网络的连接权重和阀值,弱化了指标评价中的人为因素,提高了评价结果的准确性、客观性和权威性,有效解决了传统遗传算法和 BP 神经网络易陷入局部极小值、收敛速度慢和抗干扰能力差等问题。仿真实例验证了该方法对城市系统作战能力评估的可行性和有效性。     

一种短期电力负荷预测新方法的研究与应用

通过对电力负荷变化规律和影响因素的分析,提出了一种新的短期电力负荷预测模型。首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中pij(t)改进模糊聚类分析;然后以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型。对山东地区1年的实际数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况(夏季典型日负荷)也有较好的预测精度。     

基于数据挖掘的交通流预测模型

通过对道路交通流变化规律和影响因素的分析,提出了一种新的交通流预测模型.首先,鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点,采用蚁群算法中Pij(t)改进模糊聚类分析;然后以最拥挤时间段的25个点交通流数据、天气数据以及天类别数据为指标,将历史数据聚分成若干簇团,并采用动量BP神经网络针对每一簇团建立相应的预测模型.对实际数据进行预测分析的结果表明:该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况(雨雪天气)也有较好的预测精度.     

混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。     

煤气管道服役期预估神经网络模型的建立与应用

神经网络模型具备的针对大量无规则数据自学习的能力,适于解决城镇煤气管道布局复杂、影响因素众多、服役期限难以计算的问题。基于BP神经网络算法建立的煤气管道年限模型,经过训练对比,选择了最优的BP网络模型,结合共轭梯度法,改进了该算法收敛慢、易出现震荡的问题,实现了对城镇管道漏损的定量分析,结合某市煤气管道漏损的实际案例验证其可行性,满足预估管道服役期限的工程要求。     

基于GA-AHMM的联机手绘图形识别技术

提出了一种遗传算法(geneticalgorithm,GA)和自适应隐马尔科夫模型(hiddenMarkwmodel,AHMM)混合的联机手绘图形识别方法。由于隐马尔科夫模型(HMM)的训练本质上是一种梯度下降的优化方法,算法易陷入局部最优,影响了其应用。为此,采用GA训练HMM模型参数,并给出了GA和HMM的两种混合训练方式:前端GA HMM模型和内嵌式GA HMM模型,GA算法能随机地调整HMM模型训练的初始值,使HMM跳出局部最优,较好地克服了HMM训练容易陷入局部最优的问题。另外,采用带有反馈环节的闭环AHMM代替传统的开环前向HMM模型对手绘图形识别,改善了HMM的自适应能力,显著提高了对图形的识别率和识别速度。试验结果证明了方法的有效性。     

四色和K色图着色问题的瞬态混沌神经网络解法

首先给出了用神经网络求解四色图着色问题的神经网络结构和能量函数 ,然后采用了具有瞬态混沌特性的神经网络 ( TCNN)来解四色图着色问题 .由于引入具有复杂动态特性的瞬态混沌使得该法具有很强的搜索全局最优解的能力 .仿真结果表明 ,用该法解四色图着色问题总能保证使能量函数收敛到最优解 ,有效避免了用传统的 Hopfield人工神经网络 ( HNN)解此问题时极易陷入局部极小的缺陷 ,并且收敛速度更快 .另外我们还用此法求解了属于 NP-完全问题的 K色图着色问题.     

基于结构熵和IGSO-BP算法的动态威胁评估

针对传统超视距空战威胁评估不能根据各类威胁因素的变化动态调整其对应权值的问题,引入前向反馈(back propagation, BP)神经网络,采用综合考虑主客观因素的结构熵权法确定各威胁指数权值并作为神经网络训练参数进行训练,提出了改进萤火虫算法(improved glowworm swarm optimization, IGSO)和BP神经网络相结合的空战动态权值计算方法。该算法采用改进萤火虫算法优化BP网络的权值和阈值,优化后的BP网络能更好地计算不同态势下的威胁指数权值,从而根据威胁估计模型进行威胁评估。以某一时刻预测多无人机空中对抗时的威胁度为想定,分别采用结构熵权法和IGSO BP进行仿真计算。结果表明：结构熵权法能够科学合理地计算各威胁指数权值,IGSO BP算法可有效解决空战目标威胁评估问题,且所提算法与现有几种算法相比在可靠性和准确性上都有明显提高。     

基于改进粒子群算法的BP网络在DTC系统中的转速辨识

利用改进粒子群优化(PSO)算法优化BP神经网络的权值和罔值,有效地解决了BP算法易陷入局部极小值的缺点,能更快速的实现收敛,不仅具有广泛的映射能力,还明显提高了运算效率.通过对直接转矩控制(DTC)系统进行MATLAB/SIMULINK仿真研究,结果表明:基于PSO-BP神经网络构造的速度辨识器具有良好的辨识效果.     

基于PSO-BP的应急通信感知装备效能评价方法

应急通信感知装备效能评价可支撑相关装备的发展规划, 而现有评价方法主观性强, 且自适应能力有待提升。因此, 提出一种基于粒子群优化(particle swarm optimization, PSO)算法的改进反向传播(back propagation, BP)神经网络的应急通信感知装备效能评价方法, 旨在建立客观精准的效能评价。首先面向实战效能构建了三级效能评价指标体系, 然后将样本数据进行主成分分析法降维, 建立BP神经网络回归模型, 并结合PSO算法对模型的连接权值与阈值进行优化, 形成PSO-BP模型以避免局部极小值问题, 获得可评价具体装备效能时的神经网络模型。实例分析表明, PSO-BP相较于BP神经网络模型评价的均方误差减少了28.18%, 表明PSO-BP模型具有更高的准确性。     

基于超网络模型武器装备体系抗毁性分析

针对现有的网络抗毁性分析方法无法体现装备体系网络抗毁性评估的缺陷,提出了一种基于超网络抗毁性评估方法。通过对超网络模型节点与边的结构关系分析,建立起装备体系超网络模型,由此总结出网络自然连通度、分类度与分类度分布、子网聚类系数等抗毁性测度指标,并对超网络下的装备体系抗毁性进行仿真分析,得出不同攻击策略下装备体系网络抗毁性的变化规律,对装备体系建设具有一定的借鉴作用。     

基于FDN的装备体系任务能力依赖性分析

为了深入分析装备体系内各装备系统在任务执行过程中自身性能退化对其相互依赖性的影响, 并准确把握体系内各装备系统在自身性能退化和相互依赖性的双重影响下其当前效能的演变规律, 对传统功能依赖网络分析(functional dependency network analysis, FDNA)方法进行了一定改进。引入自身效能退化系数, 给出考虑时间因素的动态FDNA算法; 以Markov过程为基础, 构建体系内装备系统的性能退化模型, 为自身效能退化系数的计算提供相应依据, 从而提出一种基于功能依赖网络的装备体系任务能力依赖性分析方法, 并用案例验证了方法的可行性。     

神经网络在装备保障性评估中的应用

利用人工神经网络及BP网络理论,在对装备保障性评估指标体系分析的基础上,对保障性综合评估模型进行了探讨,并分析其设计方法和局限性,旨在提高装备保障性评估的效能,进而提高装备战斗力.     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于EEMD-BP组合模型的区域海平面变化多尺度预测

海平面变化具有非线性、非平稳性以及多时间尺度变化特性,传统的基于时间序列的统计预测模型对于这种变化的预测存在较大局限性,预测结果不够理想.结合集合经验模式分解(ensemble empirical mode decomposition,EEMD)与BP (back propagation)神经网络,本文提出一种改进的海平面变化多尺度预测方法——EEMD-BP组合模型.首先利用EEMD分解提取海平面变化序列中具有物理含义的信号并降低噪声影响,得到不同尺度的多个固有模式函数(intrinsic mode functions,IMFs),确定出海平面变化中隐含的周期及趋势;然后利用BP神经网络分别对不同尺度IMF分量建立预测模型分析其未来变化趋势,最后将各IMF分量的预测结果重构,得到海平面变化序列的最终预测值.结果显示:EEMD分解能有效提取海平面变化中隐含的多时间尺度信号,神经网络能较好地预测不同尺度海平面变化趋势.相对于直接利用BP神经网络进行预测(R=0.74,RMSE=37.51 mm,MAE=48.02 mm),EEMD-BP组合模型预测精度显著提高(R=0.88,RMSE=29.23 mm,MAE=37.50 mm).EEMD-BP组合模型首先对海平面变化序列进行平稳化、降噪等处理,再对分解后的不同尺度时间序列分别进行预测,能够有效提高预测精度,为区域海平面变化预测研究提供了一种新方法.     

基于作战环的武器装备体系贡献度评估

从体系的角度出发,考虑装备之间的关联关系,本文基于作战环理论构建武器装备体系的网络化评估模型。首先,构建武器装备的能力指标体系,借助能力需求满足度对装备间的相互作用关系进行定量描述。其次,提出体系作战能力和作战环数两个评价指标,对武器装备体系进行综合评估。然后,引入贡献度的概念建立模型计算各装备对体系的贡献,根据各装备贡献度找到优先发展的装备。最后,以海上反击作战为例建立作战网络模型,应用本文提出的研究方法进行实践分析,为武器装备的优化配置提供理论支持。     

基于神经网络技术的飞机舵面故障趋势预测研究

在飞机舵面故障诊断系统中,及时准确的故障预报对提高飞机的安全性具有极其重要的意义,针对飞机舵面故障预报系统的设计要求,建立了神经网络故障预测模型以及训练算法,该预测模型采用三层BP网络模型,还对神经网络的预测精度给出了评价函数.最后,为了验证所述方法的有效性,结合风洞实验数据,对某机舵面故障模式之一的方向舵卡死进行了预测和分析,并与传统的ARMA方法进行了比较,结果充分表明了该神经网络预测模型的有效性和优越性.     

跨越连接BP算法及其在卷烟制丝工艺中的应用

传统BP神经网络算法及其改进算法都是非完全全连接神经网络算法,具有收敛速度慢,泛化能力差等不足.通过对神经网络连接方式的转化,可以得到一种完全全连接神经网络--跨越连接神经网络,并给出了跨越连接BP神经网络算法.针对卷烟制丝工艺的仿真实验表明,该算法具备描述复杂数据的能力,与传统BP算法相比,网络训练收敛速度快且泛化能力强.     

基于主成分分析和归一化RBF神经网络优化的财务综合评价

提出基于主成分分析和归一化RBF神经网络优化相结合的财务综合评价方法,克服传统神经网络财务分析中的评价指标偏少、存在局部极小等不足,为公司财务评价提供新的思路和方法,并利用神经网络模型对我国钢铁业上市公司2007年财务状况进行仿真实验,为分析者决策提供准确、可靠的参考依据。