基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

基于PSO-BP神经网络的城轨列车转向架轮对轴箱故障预测

为更好地预测城轨列车故障率,提出基于粒子群算法优化的BP神经网络(PSO-BP)的故障率预测模型,对城轨列车转向架轮对轴箱进行故障率预测。采用Matlab中的Newff函数,运用误差反向传播神经网络(BP)和粒子群算法优化的BP神经网络(PSO-BP)分别对城轨列车故障率预测、建模和仿真。结果表明PSO改进的BP神经网络故障率预测模型的效果明显优于传统BP神经网络预测模型。     

基于粒子群算法的抽油机故障诊断研究

提出了一种动态改变学习因子的粒子群算法,用以保证在粒子群优化算法的初始阶段,使粒子在进化初期仔细地在自身的邻域内搜索,防止粒子快速向局部最优解汇聚而错过自身邻域内可能存在的全局最优解,而在进化后期,使粒子快速、准确地收敛于全局最优解,提高算法收敛速度和精度。利用改进后的粒子群算法优化神经网络的权值和阈值,并把优化后的神经网络应用到抽油机故障检测中,结果表明用改进后粒子群算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。     

考虑投资者情绪的GARCH-改进神经网络期权定价模型北大核心CSCDCSSCI

提出了一种考虑投资者情绪的基于改进粒子群算法优化的BP神经网络,并结合GARCH模型用于预测欧式期权价格。引入单点变异算子来提升传统粒子群算法的寻优能力,并通过改进后的算法来优化BP神经网络的结构与相应参数。利用GARCH模型估计权证股票价格的历史波动率,并将其作为改进神经网络模型的输入变量之一。最后,进一步考虑投资者情绪对期权价格的影响,通过构造剔除了基本因素的投资者情绪复合指标,并融入改进后的神经网络中。选取包括鞍钢JTC1在内的10支国内认购权证的收盘价格进行实证研究。结果表明,该模型的收敛速度与预测精度优于传统的BP神经网络以及B-S模型,考虑投资者情绪的影响后,预测结果更贴近实际情况。     

考虑投资者情绪的GARCH-改进神经网络期权定价模型

提出了一种考虑投资者情绪的基于改进粒子群算法优化的BP神经网络,并结合GARCH模型用于预测欧式期权价格。引入单点变异算子来提升传统粒子群算法的寻优能力,并通过改进后的算法来优化BP神经网络的结构与相应参数。利用GARCH模型估计权证股票价格的历史波动率,并将其作为改进神经网络模型的输入变量之一。最后,进一步考虑投资者情绪对期权价格的影响,通过构造剔除了基本因素的投资者情绪复合指标,并融入改进后的神经网络中。选取包括鞍钢JTC1在内的10支国内认购权证的收盘价格进行实证研究。结果表明,该模型的收敛速度与预测精度优于传统的BP神经网络以及B-S模型,考虑投资者情绪的影响后,预测结果更贴近实际情况。     

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.     

基于自适应遗传模糊神经网络的信用评估建模

提出了一种自适应遗传模糊神经网络评估信用风险的模型,该模型在多子群遗传算法基础上,采用带控制参数的动态概率选择与最优保存策略相结合的混合选择策略,根据种群适应度标准差大小动态调整交叉和变异概率,并将BP算子嵌入遗传算法中,构建了多子群自适应遗传BP算法,并利用该算法优化网络的连接权值和模糊参数。将所建模型应用到信用评估中,并与BP神经网络、ANFIS以及遗传神经网络模型预测效果进行比较,结果表明该模型对信用评估具有更好的泛化能力和更高的预测准确度。     

改进PSO算法及在PID参数整定中应用研究

针对粒子群优化算法(PSO)存在早熟和局部收敛的问题,提出了一种带变异算子的改进粒子群优化算法(IPSOM),该算法在搜索中以一定变异概率对选中的粒子进行变异,同时对飞离搜索区域的粒子用新产生的粒子取代,以克服粒子群优化算法易陷入局部最优解的缺陷。用一典型的Rastigrin复杂函数对新算法进行测试,结果表明改进的算法较之粒子群优化算法(PSO)和常规遗传算法(SGA)不但提高了全局寻优能力,而且有效避免了早熟收敛问题。在此基础上将这种改进算法应用于高阶带时滞对象的PID控制器设计中进行仿真研究,结果表明了所提出算法的有效性和所设计控制器的优越性。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.     

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。     

基于注意力机制的GRU神经网络安全态势预测方法

传统的网络安全态势预测方法依赖于历史态势值的准确性,并且各种网络安全因素之间存在相关性和重要程度差异性。针对以上问题,提出一种基于注意力机制的循环门控单元(recurrent gate unit, GRU)编码预测方法,该方法利用GRU神经网络挖掘网络安全态势数据之间的时间相关性;引入注意力机制计算安全指标的分配权重并将其编码为网络安全态势值;利用改进的粒子群优化(particle swarm optimization, PSO)算法进行超参数寻优,以加速GRU神经网络的训练。仿真分析表明,所提方法具有更快的收敛速度和较低的复杂度,并且在不同的预测时长下具有较小的均方误差和平均绝对误差。     

基于BP 神经网络的煤与瓦斯突出预测方法的研究

为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

Multilayered feed forward neural network based on particle swarmopti mizer algorithm

1 .INTRODUCTIONNowadays there are many algorithms used to trainand opti mize neural network.BPalgorithm,whichisbased on gradient vectors of nodes ,is the most popu-lar neural network training method. Once gradient in-formation is obtained, kinds of regression technologiesbased on gradient can be adopt to update parameters.However BP algorithm faces some problems :(1) speed of convergence ; (2) local mini ma ; (3)sensitivity of initial value ;(4) dependence on gradi-ent information. For s…     

WPA-IGA-BP神经网络的模拟电路故障诊断

针对模拟电路渐变性故障中的特征提取困难和故障信号无法进行有效分类的问题, 提出利用免疫遗传算法(immune genetic algorithm, IGA)优化反向传播(back propagation, BP)神经网络中参数寻优过程, 从而实现模拟电路故障诊断。首先, 采用小波包分析(wavelet package analysis, WPA), 对模拟电路输出响应进行4层小波分解和重构, 完成特征向量的提取。然后, 采用IGA优化BP神经网络进行训练及测试, 实现对不同故障进行故障诊断。最后, 通过两个模拟电路仿真实验对该方法进行实验验证。实验结果表明, 与优化前的BP神经网络相比, 所提方法提高故障诊断的准确率约15%。     

AdaBoost-PSO-LSTM网络实时预测机动轨迹

针对自主空战中轨迹预测难以同时保持高预测精度和短预测时间的问题, 提出一种自适应增强的粒子群优化长短期记忆网络预测方法。首先,建立三自由度无人机动力学模型, 解决机动轨迹的数据来源问题。其次,分析长短期记忆网络, 并引入在线预测的滑动模块输入矩阵, 利用粒子群优化算法代替传统基于时间的反向传播算法进行网络内部权值更新; 同时为解决优化算法非定向性问题, 提出数据共享方法。然后,为进一步提高预测精度, 采用自适应增强算法搭建外框架, 通过控制弱预测器的数量平衡预测精度与预测时间。最后, 在一段变化较为频繁的轨迹进行预测, 与5种神经网络预测方法进行比较, 结果表明所提方法能够较好地满足精度和时间要求。     

基于PSO-BP神经网络的广播星历轨道误差预测模型

在卫星导航数据处理实践中,发现广播星历轨道误差中客观存在不确定性的规律现象,针对这种不能用确定数学模型表示的误差信息,建立基于粒子群优化反向传播(back propagation,BP)神经网络的轨道误差预测模型。通过粒子群算法对BP神经网络的初始权值和阈值进行全局寻优,利用广播星历解算出的卫星空间位置和速度,并结合时间信息和摄动改正数对神经网络进行训练和测试。结果表明该模型对广播星历轨道误差具有较好的拟合能力和预测效果,用该模型对卫星位置解算提供误差补偿,可有效提高卫星定轨精度,降低系统级误差。     

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.     

改进QDPSO算法在BP网络训练中的应用

QDPSO（Quantum Delta-Potential-Well-based Particle Swarm Optimization）算法是基于量子空间的粒子群算法，对QDPSO算法进行了改进，结合Iris分类问题，应用到BP网络的权值优化中，并和基于标准PSO算法的方法进行了比较。实验结果表明：该算法性能优于所比较的两种算法，并且具有良好的收敛性和稳定性。