基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

改进的ACO-BP混凝土坝位移监控模型研究

为解决BP神经网络收敛慢和易陷入局部极小值的问题,利用蚁群算法(ACO)智能搜索和全局优化的特点优化BP神经网络,对其初始的权值、阈值进行寻优,从而加速神经网络的训练过程.针对标准蚁群算法在搜索中可能耗时过长以及容易陷入局部最优的问题,从路径选择策略和信息素更新方式对蚁群算法进行了改进,并与BP神经网络相结合建立了改进的ACO-BP混凝土坝位移监控模型.通过对某混凝土坝工程进行实例分析,证明了所建模型拟合及预测的有效性.     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

基于蚁群算法的过程神经网络研究

为提高前馈过程神经网络的全局收敛能力和训练速度,提出一种蚁群过程神经网络模型,利用蚁群算法分布式计算、鲁棒性强的特点,将蚁群算法应用于前馈过程神经网络的训练,给出了蚁群过程神经网络的拓扑结构,讨论了蚁群过程神经网络的训练机制,分析了其计算特点.并将蚁群过程神经网络应用于黑龙江省年度GDP(Gross Domestic Product)预测,验证了蚁群过程神经网络的有效性.     

基于粒子群优化的神经网络算法的英语翻译

近年来出现的粒子群优化算法与神经网络相结合,可以有效地提升全局搜索最优的能力,同时也提升了收敛的速度。将粒子群算法与神经网络结合应用于英语教学,通过对提取的学生翻译样本进行学习训练,用训练好的粒子群优化的神经网络模型对学生的英语翻译能力进行正确程度的分析,帮助教师估计学生的翻译能力水平,为下一步的教学提供参考。深入从粒子群优化算法的数学模型和算法流程何人工神经网络模型的基本原理出发,提出了学习能力分析模型,确定该模型的神经网络的拓扑结构和隐藏层的节点数。案例应用结果表明,该研究模型可以促进英语翻译教学质量的提高和教学相长。     

基于改进型蚁群神经网络的ECG心搏分类器

采用改进型蚁群算法优化神经网络模型,构造一个蚁群神经网络的ECG分类器,并对MIT/BIH心律失常数据库中的4类心搏进行分类.结果表明,本文的蚁群神经网络能改善网络性能,有效地避免局部极优,提高训练速度,获得了比BP算法更好的心搏分类性能.     

非线性位移时间序列分析的遗传神经网络方法

岩土结构的位移大都具有非线性动力学演化特征,针对目前所采用的时间序列分析方法中存在的模型选择和参数确定困难问题,用人工神经网络建模来取代传统的分析方法,提出了一种能自动确定输入时步长度和网络模型结构的遗传神经网络方法,而且也解决了神经网络结构选择和“过训练”问题,提高了网络学习的效率和网络预测的能力·该方法可以对位移演化规律进行智能识别,获得全局最优解·     

非线性位移时间序列分析的遗传 神经网络方法

岩土结构的位移大都具有非线性动力学演化特征,针对目前所采用的时间序列分析方法中存在的模型选择和参数确定困难问题,用人工神经网络建模来取代传统的分析方法,提出了一种能自动确定输入时步长度和网络模型结构的遗传 神经网络方法,而且也解决了神经网络结构选择和“过训练”问题,提高了网络学习的效率和网络预测的能力·该方法可以对位移演化规律进行智能识别,获得全局最优解·     

BP人工神经网络在齿轮钢淬透性预测中的研究

针对齿轮钢在轧钢过程中淬透性控制存在不确定性的问题,将人工神经网络应用到其不确定性上,通过改进BP人工神经网络学习算法训练神经网络,构建最优化的齿轮钢淬透性控制神经网络模型。通过仿真实验证明,该算法有效解决了齿轮钢淬透性预测控制的问题。     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

基于蚁群神经网络船舶发电机故障诊断

BP神经网络在船舶发电机故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢、且容易陷入局部极小等问题,给故障诊断带来不便.为此,采用蚁群优化算法代替反向传播算法训练神经网络的权值和阈值.以船舶发电机中的同步发电机为例,利用训练后的蚁群神经网络对其进行故障诊断,并把BP神经网络和蚁群神经网络的训练和诊断结果相比较,结果表明蚁群神经网络具有较好的训练性能、收敛速度、诊断精度和良好的故障识别率,应用于船舶发电机的故障诊断中,具有较好的应用前景.     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

变异蚁群神经网络及其对DTC转速的辨识

将变异机制引入基本蚁群算法中,然后利用这种变异蚁群算法去优化神经网络的权值,有效地解决了神经网络容易陷入极小点的缺点,同时又远比只采用单一的基本蚁群算法提高了收敛速度,从而得到一种时间效率和求解效率都比较好的启发式方法,即变异蚁群神经网络．通过对直接转矩控制中电机转速进行辨识的仿真实验,结果表明：这种变异蚁群神经网络兼具了神经网络和蚁群算法两方面的优点,不仅具有广泛的映射能力,还明显提高了运算效率,用变异蚁群神经网络构造的转速辨识器能够准确地跟踪电机转速的变化,使系统具有良好的动态性能．     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于遗传-蚁群优化算法的QoS组播路由算法设计

为了提高网络路由性能,提出并设计了一种基于遗传-蚁群优化算法的QoS组播路由算法。首先,设计了自适应变频采集策略用于采集网络与节点信息,以此获得网络和节点的状态,为后续路由优化提供数据支持;其次,计算路径代价,将路径代价最小作为优化目标,建立QoS组播路由优化模型,并设置相关约束条件;最后,结合遗传算法和蚁群算法提出一种遗传-蚁群优化算法求解上述模型,输出最优路径,完成路由优化。实验结果表明,所提算法可有效降低路径长度与路径代价,提高搜索效率与路由请求成功率,优化后的路由时延抖动较小。     

基于蚁群优化的Elman神经网络在故障诊断中的应用研究

指出普通Elman神经网络BP学习算法的不足,将蚁群算法和Elman神经网络相融合,采用信息素挥发因子ρ和信息素τ更新策略自动调整的自适应蚁群算法优化Elman神经网络的权阚值,并将其应用到柴油机涡轮增压系统故障诊断中.仿真实验表明,优化的Elman神经网络有较快的收敛速度和较高的故障诊断精度,可以有效地诊断柴油机涡轮增压系统的故障,能够更好地避免局部最小,实现了对柴油机涡轮增压系统故障的有效诊断.     

蚁群算法优化RBF神经网络的网络流量预测

传统RBF神经网络在网络流量预测过程中存在收敛速度慢、极易出现局部最优等缺点,从而导致预测精度低。采用蚁群算法优化RBF神经网络参数来进行网络流量预测。利用蚁群优化算法来训练RBF神经网络的基函数宽度和中心,简化网络结构,加快收敛速度,防止局部最优的出现,改善RBF神经网络的泛化能力。实验结果表明,相对于GA-RBF以及PSO-RBF流量预测模型,模型预测准确度更高,能够很好地描述网络流的变化规律。具有泛化能力强、稳定性良好的特点,在网络流量预测中有一定的实用价值。     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．