一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于遗传优化的BP神经网络水泥强度预测

为了提高BP神经网络预测模型对水泥强度值的预测精度,通过结合BP神经网络与遗传算法各自的优势,提出一种采用遗传算法优化的BP神经网络的水泥强度预测算法.利用遗传算法具有的全局优化搜索能力优化BP神经网络的各层节点连接权值与阈值,训练BP神经网络预测模型以求得最优解,并将训练以外的样本数据用于模型的有效性验证.仿真结果表明,该算法对水泥强度值预测具有较高的预测精度,同时可缩短网络收敛时间.     

基于PSO与ELM组合算法的短期光伏发电功率预测模型

光伏发电功率受自然环境因素影响较大,具有很强的随机性和波动性,准确及时的光伏发电功率预测对电网的调度运行具有重要的意义.提出了一种基于PSO与ELM组合算法的短期光伏发电功率预测模型.该模型通过调整粒子群优化算法(particle swarm optimization,PSO)不同阶段的寻优重点,为极限学习机(extreme learning machine,ELM)设定出了最佳网络参数,避免了ELM随机产生输入层权值和隐含层阈值造成的网络不稳定问题.同时结合传统神经网络和ELM网络隐含层节点选取原则为组合模型,设定了最佳隐含层节点数,提高了模型预测精度.实际算例验证了组合算法模型能够有效提高短期光伏发电功率预测的预测精度.     

基于PLS-PSO-Elman的飞机燃油流量预测

传统的Elman神经网络处理高维度、多样本的复杂数据时,将出现一系列问题.如网络结构冗余、训练不完善、学习精度差等.这些缺陷不仅会导致网络工作效率低,而且还会使其识别精度差.将偏最小二乘回归(partial least squares,PLS)和粒子群算法(particle swarm optimization,PSO)与Elman神经网络相结合,提出了一种基于PLS和PSO优化的Elman神经网络算法(PLS-PSO-Elman).该算法通过PLS减少数据维度,获得较为理想的低维数据,达到简化网络结构的目的;然后利用PSO算法优化神经网络连接权重、阈值和隐含层神经元数量,弥补Elman算法训练不完善、学习精度差的缺陷;最后基于PLS与PSO双重优化的新算法对飞机燃油流量进行预测.实验表明,新算法有较高的运算效率与预测精度.     

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.     

面向经编机产能的预测算法设计

针对经编机产能预测的高度非线性和不确定性,采用BP(back propagation)神经网络和RBF(radial basis function)神经网络对其进行求解。同时,针对BP神经网络的权值和阈值以及RBF网络隐节点中心向量值、基宽向量和连接权值难确定的问题,采用PSO(particle swarm optimization)算法和GA(genetic algorithm)对其优化求解,设计PSO-BP、GA-RBF和PSO-RBF等3种预测算法实现经编机产能的预测,并采用RMSE(root mean square error)值、MAPE(mean absolute percentage error)值和预测精度作为网络性能评价指标。试验结果显示,相比较PSO-BP和GARBF算法,PSO-RBF算法的各项网络性能指标均为最佳,其中预测精度达到了95.71%。因此,PSO-RBF算法在解决经编机产能预测问题上具有可行性、可靠性和优势性。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

基于优化算法的能量等值延性指标评价

设计多层前馈BP、径向基RBF和遗传优化GA-BP算法训练并预测能量等值法极限承载延性指标μΔe,采用5个控制参数及PEER库与拟静力试验作为训练和预测样本.编写BP及其隐含层节点数和学习率的优化算法,编写RBF及其节点数和中心宽度的优化算法,采用GA优化BP算法权值wij和阈值θj并抑制局部最优及逼近数据规律,并实现算法预测足尺框架柱延性指标μΔe值.研究表明GA-BP具有最佳适用性和计算优越性,提供结构损伤评价新方法.     

基于GA-BP神经网络的隧道初期支护钢拱架内力预测

针对误差反向传播(BP)神经网络易陷入局部极小值的问题,将遗传算法(GA)与BP神经网络相结合,先以遗传算法全局最优的特性对初始化的BP网络的权重和阈值进行优化,再将优化的权重和阈值作为初值带入BP网络训练得到最优解.运用此改进的BP神经网络对竹盖山隧道初期支护钢拱架内力进行预测,取得了良好的效果,精度高、收敛快,为指导和控制工程施工提供了有效的依据.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

基于改进GA-BP的移动通信用户流失预测算法

BP神经网络(BPNN)模型对移动通信用户流失的预测有较好的效果,但其全局搜索能力相对较弱,对初始网络权重非常敏感,因此本文通过对用户通信行为的分析,提出一种基于改进GA-BP的移动用户流失预测算法:用改进的遗传算法对BPNN的权值和阈值进行初始化,从而提高预测模型的准确率.改进的遗传算法采用一种自适应的交叉概率和变异概率计算策略,提高了遗传算法寻找全局最优解的能力.通过对比实验发现,本文构建的移动用户流失预测模型,在预测准确率上有着很好的表现.     

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型；即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，以新疆雅马渡站的实测径流资料和相应的前期4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量。结果表明，该方法具有收敛速度快和预测精度高的特点。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

An optimized short-term wind power interval prediction method considering NWP accuracy

In recent years, the accuracy of the wind power prediction has been urgently studied and improved to satisfy the requirements of power system operation. In this paper, the relevance vector machine(RVM)-based models are established to predict the wind power and its interval for a given confidence level. An NWP improvement module is presented considering the characteristic of NWP error. Moreover, two parameter optimization algorithms are applied to further improve the prediction model and to compare each performance. To take three wind farms in China as examples, the performance of two RVM-based models optimized, respectively, by genetic algorithm(GA)and particle swarm optimization(PSO) are compared with predictions based on a genetic algorithm–artificial neural network(GA–ANN) and support vector machine. Results show that the proposed models have better prediction accuracy with GA–RVM model and more efficient calculation with PSO–RVM.     

蝴蝶优化算法对大青杨生长速率预测模型的改进

为提高大青杨生长速率的预测精度,提出一种基于改进的蝴蝶优化算法（Improved Butterfly optimization algorithm,IBOA）与径向基函数（Radial basis function,RBF）神经网络结合的预测木材材性方法。通过使用佳点集法对标准蝴蝶算法中的种群进行初始化,将自适应切换频率和Levy飞行相结合进一步优化人工蝴蝶算法。构建出了新的IBOA-RBF神经网络木材材性预测模型,将得到的结果与其他几种算法优化的RBF神经网络预测结果进行对比。结果表明：基于IBOA-RBF神经网络模型预测效果最好,收敛速度从37步降低到了23步,预测结果误差达到了5.72%,预测精度最高。可见,对蝴蝶算法的改进是可行的,且对相关人员定向培养大青杨起到较大的帮助。     

基于布谷鸟搜索算法的SVR参数选择

SVR(支持向量回归机)在解决非线性回归问题时有极大的优势,在其预测过程中,最重要的是参数的选择,不同的参数会造成预测结果的巨大差异．目前较为普遍的方法是利用遗传算法和粒子群算法进行参数选择,而这2种算法在解决多峰问题时的局限性,容易导致算法的效率低且准确度不高．鉴于布谷鸟搜索算法引入了Lvy飞行机制,能有效地跳出局部最优解,使算法收敛速度快,且结果具有对算法本身的参数变化不敏感的优点,该文将布谷鸟搜索算法应用于SVR参数寻优过程中．网络流量和白葡萄酒质量的预测实验结果表明,布谷鸟搜索算法相对于遗传算法、粒子群算法等其他启发式智能算法而言,收敛速度更快,寻参结果的精度更高．     

基于改进黑洞算法优化ESN的网络流量短期预测

网络流量数据序列具有混沌特性.相空间重构后,采用一种改进黑洞算法优化回声状态网络的非线性模型对网络流量进行预测.改进黑洞算法是在现有工作的基础上提出一种新的新解生成机制,可以提高算法的收敛速度和精度;相比于遗传算法、和声搜索算法等其他优化算法,所提出的改进黑洞算法不依赖自身相关参数的准确设定;将其应用于回声状态网络4个重要参数的优化选取,使得预测模型具有较好的预测稳定性.通过Mackey-Glass混沌时间序列和网络流量公共数据集的仿真实验,结果表明所提出的方法具有较好的预测性能.     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.