基于人工鱼群神经网络的城市时用水量预测方法

城市供水时用水量预测精度对城市供水系统具有重要影响.传统的反向传播(back-propaganda,BP)神经网络预测方法容易陷入局部解,并且需要大量的训练数据.人工鱼群算法具有较优的全局收敛能力及较快的寻优速度.为此,利用人工鱼群算法对BP神经网络的初始权值和阈值进行优化,建立了一种新的时用水量预测模型.将该模型应用到华北某市时用水量的预测中,预测结果表明人工鱼群神经网络算法的均方差比BP神经网络算法的均方差小5%.实例证明,人工鱼群神经网络比BP神经网络的预测精度更高,收敛速度更快.人工鱼群神经网络算法可用于短期水量预测.     

一种改进人工鱼群算法对BP神经网络的优化研究

针对BP神经网络存在易陷入局部极值的缺陷,提出一种基于改进的人工鱼群算法优化的BP神经网络.先用改进的人工鱼群算法优化BP神经网络的初始权值和阀值,然后再执行BP算法训练BP神经网络的权值和阀值.函数拟合仿真实验表明该优化方法提高了BP神经网络的泛化性能.     

基于BP神经网络的GPS/SINS姿态测量融合算法

针对传统全球定位系统/捷联惯性导航系统(global positioning system/strapdown inertial navigation system,GPS/SINS)组合系统信息融合技术存在的不足,设计了适用于GPS/SINS组合系统姿态测量的反向传播(back-propagation,BP)神经网络模型,并在标准BP算法基础上,采用限制初始权值和阈值?动态删减隐含层节点数和修改激活函数的改进算法,从而减小BP算法在GPS/SINS组合姿态测量过程中的训练误差,提高网络训练的相应速度及精度?最后通过算法仿真和分析结果图得出改进后的BP神经网络算法在GPS/SINS组合姿态测量系统中高效可行,且测姿性能优越?     

基于GABP神经网络的液压互联悬架建模研究

液压互联悬架(hydraulically interconnected suspension,HIS)是一种非线性系统,运用机理分析法建模存在建模精度和速度不可兼得的缺点。为解决上述矛盾,文章提出了一种基于遗传算法(genetic algorithm,GA)优化的反向传播(back propagation,BP)神经网络对HIS系统进行建模的方法。首先,通过Simulink建立的液压互联悬架模型仿真获取网络的训练数据。其次,使用遗传算法优化BP神经网络的初始权值和阈值;然后,两种建模方法对比验证GABP建模方法优点;最后,通过液压互联悬架台架实验获取实验数据,与神经网络训练结果进行比较分析。结果表明：在垂向模态下,低、中、高3种频率下相对误差百分数分别为4.12%、2.27%、1.51%;在侧倾模态下,低、中、高3种频率下相对误差百分数分别为7.64%、4.07%、4.35%。与机理建模法相比,GABP建模方法兼具较好的建模精度和速度。     

滑带黄土振陷预测中的BP神经网络方法

目的针对陇海铁路沿线密集的黄土滑坡灾害,对其振陷系数提出一种新的预测方法。方法以滑带黄土动三轴试验资料为基础,运用MATLAB建立滑带黄土振陷的BP(error back propagationneural network)神经网络预测模型,并与多元线性回归方法建立的模型进行误差对比分析。结果BP神经网络模型预测的结果要比多元线性回归模型预测的更准确。结论滑带黄土振陷预测的BP神经网络模型是一种比较理想的预测方法,对黄土地区的滑坡稳定性评价和铁路地基沉降的分析具有重要的价值。     

基于BP神经网络PID的活塞式深海压力传感器压力控制研究

为了提高深海大压力下微小波动压力的测量精度,文章介绍了一种新型的、基于液体可压缩性的、压力平衡式的活塞式压力传感器,针对该活塞式压力传感器压力控制系统存在的非线性、参数时变性以及时滞问题,提出将反向传播(back propagation,BP)神经网络与常规比例积分微分(proportional integral de...     

基于模糊神经网络PID的无人艇航向控制器研究

针对常规比例、积分和微分(proportional integral derivative, PID)控制器在无人艇航向控制系统中表现出的稳定性差、控制精度低等问题,文章提出一种将模糊控制与反向传播(back propagation, BP)神经网络相结合的控制算法;在MATLAB中对比常规PID控制器、模糊PID控制器与模糊神经网络PID控制器在给定期望航向角下的航向控制性能,仿真结果表明模糊神经网络PID控制器对无人艇的航向控制性能最佳;在搭建的实验平台上对不同航向控制器下无人艇的航行轨迹和航向角进行比较,实验结果进一步验证了模糊神经网络PID航向控制算法的优越性。     

基于3种训练神经网络方法解决异或问题的研究

分别运用误差反向传播(error back propagation)算法、扩展卡尔曼滤波(extended kalman filter)和数值积分卡尔曼滤波(cubature kalman filter)算法对多层神经网络模型进行逐次状态估计,并将其用于解决异或的分类问题。从仿真实验结果来看,利用BP,EKF和CKF算法训练的神经网络的输出信号的均方误差曲线的收敛速度依次加快,这使得神经网络的实际输出值越来越逼近其期望输出值,同时针对异或问题3种算法都得到了良好的分类结果.     

基于二参数的BP神经网络算法改进与应用

BP(back propagation)神经网络是一种监督神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值,精度不高。提出了一种改进的BP神经网络算法,某种程度上克服了以上缺点。对文中的改进算法用C语言编程,并利用真实数据,对大学生就业能力进行了预测,实验表明改进算法有效,为高校解决大学生就业能力提供了决策支持。     

面向STEP-NC自由曲面特征的加工操作方法智能决策

为提升复杂零件工艺规划的集成化和智能化,提出一种基于混合算法面向STEP-NC自由曲面特征的加工操作方法智能决策方法.首先,构建了面向STEP-NC自由曲面特征的加工操作方法决策BP神经网络模型.然后,基于自适应视野策略、自适应步长策略和混沌算法给出了改进的人工鱼群算法,并与BP神经网络相融合设计了用于STEP-NC自由曲面特征加工操作方法决策的混合算法.并利用归一化的零件加工信息实现了STEP-NC自由曲面特征的加工操作方法高效智能决策.最后,通过实例验证了该方法的有效性和可行性.     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

鱼群算法与神经网络结合的节能减排效果评价

从污染物减排率、单位工业增加值减排量、治理工业污染投资总额、GDP相关指标、能耗下降率5个方面建立节能减排效果评价指标体系,分析BP神经网络与鱼群算法结合的可行性,探讨鱼群算法优化神经网络的步骤。最后对7个地区2006~2009年节能减排效果评价指标,在专家打分测评的基础上,运用神经网络及鱼群算法优化神经网络方法进行节能减排效果评价。研究结果表明:在收敛过程中,运用神经网络所得实际输出值与专家评分的误差长时间停留在0.7左右,而运用鱼群算法优化神经网络方法能够以较大的斜率快速收敛到期望误差;在误差为0.001时,前者经过202次训练后能够达到目标,而后者只需要75次训练就能达到目标,这表明鱼群算法优化神经网络具有准确、快捷、简易等优点,此方法用于节能减排效果评价行之有效。     

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。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于遗传神经网络的插铣铣削力建模与分析

本文首先对插铣铣削力进行了理论分析,并基于正交试验方法对铣削力进行了测量试验,然后利用遗传算法对BP神经网络的权值和阈值进行优化,建立了预测铣削力的遗传神经网络模型,最后将经过遗传算法优化的BP网络与未优化的进行对比分析.结果表明,经遗传算法优化后BP网络模型预测误差明显减小,网络的计算精度和收敛速度有了显著提高.     

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·     

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。     

一种改进AFSA-Elman边坡位移预测网络

Elman网络在边坡位移序列预测的应用中,对于网络隐含层神经元个数、阈值的选取没有具体的定论,且收敛速度慢,容易陷入局部解.基于此,将人工鱼群算法与 Elman 网络相结合,建立了改进的 AFSA-Elman 边坡位移预测网络,修正鱼群算法的步长,并利用经改进后鱼群算法强大的寻优能力,对Elman网络的初始权值和阈值进行优化,提高了Elman网络的预测精度和收敛速度.将改进的AFSA-Elman网络与传统Elman网络以及AFSA-BP网络进行对比,并模拟了3种网络的迭代过程,发现改进的AFSA-Elman预测网络较以上两种预测网络具有较高的精度,收敛性更好,更适用于边坡位移的预测.