改进量子粒子群优化算法的神经网络模型负荷预测

提出一种基于Levy飞行的量子粒子群优化算法并用于小波神经网络的训练,该算法采用基于Levy分布的飞行策略扩大粒子的搜索空间,使粒子易于逃离局部最优点。该算法克服了传统算法在神经网络训练过程中易于陷入局部最优、收敛速度慢等缺点,提高了神经网络的泛化能力。最后将改进的量子粒子群优化算法训练小波神经网络应用于电力系统负荷预测的模型,仿真结果表明改进的量子粒子群优化算法在神经网络训练上具有更高的预测精度。     

基于免疫粒子群神经网络的短期预负荷测

针对电力系统短期负荷预测的特点,以及人工神经网络的自学习和复杂的非线性拟合能力,提出了基于径向基（RBF）神经网络的短期电力负荷预测模型．采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值．综合考虑气象、天气等影响负荷因素进行短期负荷预测．仿真试验表明,该方法同传统RBF神经网络相比,具有较高的预测精度,同时具有较强的实用性．     

基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

基于径向基函数神经网络的热轧产品性能预测

针对热连轧带钢生产过程中钢材内部一系列复杂的相变与物理变化以及涉及到的海量数据,可利用数据挖掘基本方法建立模型,提取规则,实现热连轧带钢生产的性能预测与评价功能。本文使用径向基函数神经网络建立模型,实现热轧产品性能预测。径向基函数神经网络在逼近能力、学习速度等方面都优于传统BP神经网络,本文将根据二者网络结构说明径向基函数神经网络的优越性。     

基于径向基函数神经网络的入侵检测系统模型

通过分析当前运用较多的入侵检测模型的缺陷,提出了一种基于径向基函数(Radial Basic Functions)神经网络的入侵检测系统模型。该模型既克服了传统的基于规则库的入侵检测系统所存在的管理问题,又克服了传统的系统仅能判断入侵行为是否异常,而不能识别入侵行为属于哪种类型的缺陷,从而使系统能够达到实时监测网络及主机状态,来防范不可预知性入侵。该模型具有良好的易用性和可扩展性,是一种开发安全管理系统的有效手段。     

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．     

基于量子粒子群的神经网络集成股市预测模型研究

利用量子粒子群改进神经网络集成个体的网络结构和连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用支持向量机回归集成生成输出结论,求出非线性时序函数的全局最优解,随即建立一个基于量子粒子群的神经网络集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于AQPSO算法优化的RBF网络模型及应用研究

提出了自适应量子粒子群优化(adaptive quantum-behaved particle swarm optimization,AQPSO)算法,用于训练RBF(radial basis function)网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改进了RBF网络的泛化能力.利用上证指数数据进行预测,实验结果表明,采用AQPSO算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值.     

基于混沌理论与径向基函数神经网络的混沌时间序列预测

根据混沌时间序列的特性 ,给出了将混沌理论与径向基函数神经网络相结合对其预测的方法 .首先在虚假邻域概念基础上 ,提出了可同时确定合适的嵌入维数与时间延迟的方法 ,从而可据此确定径向基函数神经网络的输入 ;然后 ,用径向基函数神经网络进行学习及预测 .最后 ,给出一个实例 .     

基于径向基函数神经网络车辆跟驰模型

针对由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型的问题,应用径向基函数神经网络建立了跟驰模型,改进了基于最近邻聚类的网络学习算法,并利用跟驰数据对模型进行了验证.结果表明,该网络模型与多层前馈网络模型相比,结构简单,训练时间短,精度高,适宜在线进行实时预测.     

一种基于粒子群优化算法的神经网络训练方法

介绍了粒子群优化(PSO)算法的原理,研究了将PSO算法应用于神经网络训练的方法,给出了算法软件实现的基本流程,并对Iris分类问题做了仿真实验,通过与BP算法的比较,结果表明基于PSO的神经网络训练算法操作简单,易于实现,而且训练精度较高,有良好的收敛性.     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

基于径向基函数概率神经网络的心律失常自动识别

讨论了基于径向基函数（ＲＢＦ）的概率神经网络的基本网络结构和网络的学习和运行过程,并且与ＢＰ算法的径向基神经网络进行了对比,同时也测试了网络的容错能力,结果表明,基于ＲＢＦ的概率神经网络,学习速度大大提高,同时减小了ＢＰ陷入局部极小的问题,有一定的抗噪声能力,基于ＲＢＦ的概率神经网络模型在心律失常自动识别中获得了很好的应用。     

热电偶径向基神经网络模型研究

介绍了基于Levenberg-Marguardt(LM)算法的改进BP神经网络及其在热电偶特性建模中应用,针对其存在的问题,提出了一种基于径向基(RBF)神经网络建立热电偶特性零误差模型的方法,详细介绍了镍铬-镍硅热电偶特性0~1 370℃无差优化模型的建立过程并与BP神经网络热电偶模型进行了比较,结果表明提出的模型算法简单、精度高、稳定性好,易实现,优于BP网络,对其他传感器应用领域也有借鉴作用.     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

基于径向基函数网络的能源消费量预测模型

采用径向基函数(RBF)神经网络方法进行能源消费量预测,建立了基于RBF神经网络的能源消费量预测模型。以我国1978~1997年的实际数据作为学习样本,对网络进行训练,拟合效果良好;以1998~2002年的实际数据检验网络,预测精度较高。并通过实例与BP网络进行比较,表明RBF网络预测模型优于BP网络预测模型。     

粒子群优化神经网络在木材干燥动态建模中的应用

木材干燥是一个复杂的非线性系统,由于木材结构复杂且具有多样性和变异性,很难建立一个理想的符合木材干燥过程的数学模型.提出了利用粒子群算法的全局寻优能力优化动态递归网络连接权值系数的方法,对木材干燥动态建模.仿真结果表明:粒子群优化BP算法建立木材干燥动态模型提高了期望误差精度和收敛速度,避免了BP算法陷入局部极小值,具有较好的预测精度.     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。