基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

基于仿生智能优化RBF神经网络的故障诊断

从锅炉水循环系统当前工艺参数中辨别和判断故障,可以使控制人员更全面地判断当前生产状态和预测未来情况,从而及时采取有效应对措施.该文提出一种基于仿生智能优化的RBF神经网络用于水循环系统故障的诊断.即针对构造RBF神经网络时隐相关参数难以确定的问题,该文提出采用混合蛙跳聚类算法确定隐层节点数,采用混合粒子群算法确定c和σ,使用最小二乘法(L M S)计算ω.通过实例验证,采用该文方法可以准确的诊断锅炉水循环系统的故障.     

减聚类在电力系统中长期负荷预测中的应用

分析了电力系统中长期负荷特性以及RBF神经网络的非线性功能,引入一种减聚类算法来选取网络隐层节点中心,并将该方法在Matlab下进行了仿真。将预测结果与实际负荷值、灰色理论模型得到的结果进行对比分析,结果表明采用减聚类算法的RBF神经网络模型在隐层节点选择上更加精确,用其建立的模型具有较好的预测精度,具有一定的实用价值。     

智能单粒子优化算法在聚类分析中的应用

针对K-均值聚类算法存在的缺陷,将改进的粒子群优化算法———智能单粒子优化算法（ISPO）应用到聚类分析当中来,提出一种混合聚类算法ISPO＋K-means.该算法分为两个阶段：第一阶段利用ISPO算法较强的全局寻优能力形成初始聚类,第二阶段将初始聚类结果通过K-means算法形成最终聚类结果输出.与K-均值聚类算法和...     

一种改进的K一均值聚类算法

为了改进K-means聚类算法的不足,把混合粒子群优化算法引入到K-means聚类算法中,重新选取编码方式并构造适应度函数,在此基础上提出了一种改进的K-means聚类算法;通过两个经典数据集的测试,实验结果表明:改进的算法比K-means算法具有更好的全局寻优能力、更快的收敛速度,且其解的精度更高对初始聚类中心的敏感度降低.     

人工蜂与K-means混合算法在VANETs的应用

针对车载自组织网（Vehicular Ad Hoc Networks,VANETs）拓扑结构经常变化导致通信链路容易断裂而通信质量不可靠的问题,将人工蜂与K-means混合算法应用在VANETs中。在成簇阶段,该混合算法利用人工蜂算法较强的全局搜索能力确定初始聚类中心,代替传统的K-means对初始聚类中心的选择,这样就消除了K-means对随机初始聚类中心的依赖。在簇头选取阶段,类内具有最小的速度方差以及到其他节点最小平均距离的车辆节点被选择为簇头。在簇的维护阶段,当最优节点即簇头有变化时,次优节点被选为临时簇头,直至更新为最优节点的簇头信息。为测试该混合算法的性能,将其和PSO与K-means混合算法、经典K-means算法进行实验对比,结果表明,该混合算法能够更加稳定VANETs通信链路,具有更高成簇质量和更高通信质量。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

一种新的RBF神经网络学习算法

本文提出一种改进的RBF神经网络学习算法,它利用减聚类算法确定隐层单元的数量,并用修剪的办法删除冗余单元,避免了传统的K聚类算法对隐层单元数量确定的盲目性。利用最小二乘法确定隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中,验证了该算法的有效性。     

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。     

Powell搜索法和惯性权重非线性调整局部收缩微粒

提出一种求解无约束最优化问题的新的混合算法Powell搜索法和惯性权重非线性调整局部收缩微粒群算法的混合算法. 该算法不需要计算梯度, 容易应用于实际问题中. 通过对微粒群算法的修正, 使混合算法具有更加精确和快速的收敛性. 首先利用20个基准测试函数进行仿真计算比较, 计算结果表明, 新混合算法在求解质量和收敛速率上都优于其他算法（PSO, GPSO和NM PSO算法）. 其次, 将新混合算法和最新的各种协同PSO算法进行分析比较. 结果表明, 新混合算法在解的搜索质量、 效率和关于初始点的鲁棒性方面都远优于其他算法.     

求解聚类问题的混合粒子群优化算法

建立了聚类分析问题模型,结合遗传算法的思想提出的混合粒子群算法来解决聚类问题。该算法可 进一步改进,思路是利用K-均值方法的结果作为一个粒子。经过比较测试,4种粒子群算法的效果都比较 好,特别是交叉策略A和变异策略B的组合算法最好。     

基于K均值的带变异粒子群聚类算法

针对K均值算法的搜索结果依赖于初始聚类中心以及粒子群算法早熟收敛的缺点,提出了一种基于K均值的带变异粒子群聚类算法.该算法通过粒子群算法来弥补K均值算法的不足,根据粒子的收敛情况判断K均值操作的时机,提高了搜索性能,并采用变异操作来跳出局部极值.分别用K均值算法、PSO-K均值算法和该算法对3种实际数据进行了聚类测试,...     

一种整合粒子群优化和K-均值的数据聚类算法

针对K-均值聚类算法存在的不足,提出了一种新的整合粒子群优化算法(PSO)和K-均值算法的聚类算法.在新算法中,首先结合使用粒子群优化算法和K-均值算法搜索全局最优解的位置,然后再用K-均值算法在全局最优解附近的局部空间内快速寻找最优聚类中心.通过对4个数据集的实验测试,将此算法与K-均值算法、基于粒子群的K-均值算法进行了比较.实验结果表明,新算法的聚类质量比后两个算法更优.     

Multi-sink Deployment Strategy for Wireless Sensor Networks Based on Improved Particle Swarm Clustering Optimization Algorithm

In wireless sensor networks(WSNs) with single sink,the nodes close to the sink consume their energy too fast due to transferring a large number of data packages,resulting in the "energy hole" problem.Deploying multiple sink nodes in WSNs is an effective strategy to solve this problem.A multi-sink deployment strategy based on improved particle swarm clustering optimization(IPSCO) algorithm for WSNs is proposed in this paper.The IPSCO algorithm is a combination of the improved particle swarm optimization(PSO) algorithm and K-means clustering algorithm.According to the sink nodes number K,the IPSCO algorithm divides the sensor nodes in the whole network area into K clusters based on the distance between them,making the total within-class scatter to minimum,and outputs the center of each cluster.Then,multiple sink nodes in the center of each cluster can be deployed,to achieve the effects of partition network reasonably and deploy multi-sink nodes optimally.The simulation results show that the deployment strategy can prolong the network lifetime.     

惯性权重线性调整的局部收缩微粒群算法

针对微粒群优化算法存在陷入局部极小点和搜索效率低的问题, 给出一个新的速度更新策略局部收缩策略, 并提出一种改进的微粒群优化算法, 该算法保持微粒群优化算法结构简单的特点, 改善了微粒群优化算法的全局寻优能力, 提高了算法的收敛速度和计算精度. 仿真计算结果表明, 改进的算法性能优于混沌微粒群优化算法、 微粒群优化算法和带有收缩因子的微粒群算法.     

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题, 提出一种基于离群点剔除的支持向量机（SVM）信用风险评价模型. 该模型利用模糊c-均值聚类算法剔除样本离群点, 采用粒子群算法优化支持向量机分类参数, 进而提高支持向量机的分类性能. 将该方法应用于信用风险评价中的结果表明, 相比于其他模型, 该方法分类精度更高.     

一种改进的PSO-Means聚类优化算法

针对粒子群优化算法在线性不可分情况下不能找到合适的聚类初始质心和正确的聚类个数的缺点,提出引入核方法,对基于粒子群算法的K均值聚类(PSO-Means)算法进行改进。利用核方法把数据映射到高维空间,在高维空间中使用粒子群算法找出所应聚的类,最后利用核空间中的聚类算法对数据进行聚类。通过实验,验证了该算法在线性不可分的情况下可以较好的运行,在很大程度上提高了聚类的效果。