基于改进粒子群算法的BP神经网络优化研究

研究了基于粒子群算法的BP神经网络优化问题,将改进的粒子群优化算法用于BP神经网络的学习训练,并与传统的BP网络进行了比较.结果表明,将改进粒子群优化算法用于BP神经网络优化,不仅能更快地收敛于最优解,而且很大程度地提高了结果的精度.     

基于改进粒子群优化的BP神经网络图像压缩方法

为了改善反向传播(BP)神经网络算法过度依赖初始参数,导致网络收敛速度慢,容易陷入局部极小值的问题,提出利用改进的粒子群优化(IPSO)算法,对BP神经网络的参数进行优化,找出合适的初始权值和阈值。该文算法在基本粒子群优化(PSO)算法中增加了基于四分位数的选择策略,引入遗传算法的自适应变异概率作为扰动概率,加入基于个体自身适应度值与种群平均适应度值比值的自适应扰动策略。该文算法IPSO-BP对训练图像Lena、测试图像Cameraman和验证图像Peppers效果都有明显的提高,经过IPSO-BP训练的模型峰值信噪比(PSNR)和均方误差(MSE)明显好于惯性权重线性递减的粒子群优化-反向传播(LDWPSO-BP)、基于动态加速因子的粒子群优化-反向传播(PSO-DAC-BP)、基于正态分布衰减惯性权重的粒子群优化-反向传播(NDPSO-BP)、自适应变异粒子群优化-反向传播(ADVPSO-BP)、遗传算法-反向传播(GA-BP)以及天牛须搜索-反向传播(BAS-BP),PSNR在7种算法中最大,MSE在7种算法中最小。虽然IPSO-BP在图像Lena上的压缩率(CR)小于PSO-D...     

自适应粒子群神经网络交通流预测模型

针对传统神经网络预测模型预测结果准确性低且存在大量无效迭代的问题,提出了自适应权重粒子群神经网络交通流预测(PSOA-NN)模型。首先根据待预测点的上下游观测点数和历史数据,随机初始化若干组模型参数并计算每组参数对应粒子的适应度;然后采用改进的sigmoid函数替代原有模型中的固定惯性权重,并根据其中适应度变好的粒子更新粒子速度和位置,一直迭代到粒子适应度小于预设值为止;最后将满足条件粒子对应的模型参数应用到神经网络模型,根据实时交通流数据预测出15min后的数据。仿真结果表明,使用PSOA-NN模型,可使得在同等预测误差范围内收敛速度提升0.6~1.7倍。     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

基于混沌粒子群优化BP神经网络的网络安全风险评估系统设计

网络规模不断扩大的同时,也容易受到各种安全风险的威胁,因此,必须对网络安全风险进行准确评估。传统的评估系统中存在的趋势性、周期性以及随机性影响评估准确率的问题,导致评估的结果大都不准确;为此,提出并设计了基于混沌粒子群优化BP神经网络的网络安全风险评估系统。首先对系统的硬件进行了设计,并得出了设计的框图;然后使用混沌粒子群的优化算法和BP神经网络的算法对系统的软件进行了设计;最后进行了对比的实验。实验结果表明,该系统能够更好的协调,并处理评估过程中出现的问题,不会受到趋势性、周期性以及随机性的影响,能够更好的发挥网络安全评估的效果,提高评估的准确率,减小相对的误差。     

基于粒子群优化和模拟退火的神经网络优化研究

文章把模拟退火思想引入到粒子群优化算法中,提出一种关于神经网络结构的优化设计方法,用于同时完成对网络结构空间和权值空间的搜索。算法对神经网络的结构和权值进行了优化,删除了网络中的冗余结点和权值,提高了网络的处理能力。实验结果表明,算法能够有效抑制粒子群优化算法不成熟收敛的发生,有效提高前馈神经网络的收敛精度和收敛速度,表现出良好的性能。     

粒子群算法优化BP神经网络

现实生活中绝大数系统都是非线性的,BP神经网络通过训练能否达到局部最优值、能否收敛以及训练的时间长短与初始值和阈值的选取关系密切.为此采用了具有动态惯性权重的粒子群算法对BP神经网络初始值进行优化.实验表明具有动态惯性权重的粒子群算法优化BP神经网络预测误差很小,能够跳出局部极小值,得到更优的结果.     

基于粒子群优化算法的神经网络钻削参数优化

神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP或其它梯度算法,导致训练时间较长且易陷入局部极小点,本文探讨用粒子群优化算法训练神经网络,并应用到钻削加工参数优化中,试验表明粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。     

改进粒子群优化BP神经网络的心理压力识别算法

为提高心理压力的识别率,提出一种改进的粒子群优化BP(back propagation)神经网络的压力识别算法。该算法在基本粒子群(particle swarm optimization,PSO)模型的基础上,引入了收缩因子,在收缩因子的作用下,使速度的边界限制消失,选取适当的参数来保证PSO算法的有界和收敛特性,实现对BP神经网络的优化。利用心算任务进行压力诱发,采集高压、低压状态下的心电信号,提取了与心理压力相关的心率变异性特征值,并对特征数据对比分析;建立了心理压力程度的分类模型,通过改进的PSO模型优化BP神经网络以识别心理压力。结果表明:改进的粒子群优化BP神经网络算法与BP神经网络相比收敛速度快、误差小且识别率高,该算法对心理压力的识别率可达94.83%,识别效果优于未优化的BP神经网络算法。     

基于粒子群优化的BP神经网络模型参考自适应控制系统

将粒子群优化的BP神经网络作为模型,参考自适应控制系统的控制器,把参考模型输出与系统实际输出的均方误差作为PSO-BP神经网络的适应函数,通过PSO算法强大的搜索性能使自适应控制系统的均方误差最小化.仿真实例结果表明,基于粒子群优化算法的BP神经网络自适应控制系统收敛快、精度高,有较好的网络的泛化和适应能力,能够很好地控制系统的输出跟随参考模型的输出.     

基于粒子群改进神经网络的舰艇磁场推算模型

针对目前线性建模解决舰艇内外磁场推算问题时存在的困难,从非线性优化的角度出发,建立了内外磁场之间的误差反向传播神经网络预报模型.为了改善网络的固有缺陷,利用粒子群算法优化网络的初始权值与阈值,使其能够逃离局部最优点,增强了网络的鲁棒性.该方法避免了利用线性化方法存在的诸多困难,可实现舰艇内外磁场推算.利用船模实验对网络预测的准确性进行了验证,结果表明其换算精度较线性方法有所提高,满足工程实际需求.     

改进型粒子群优化算法的BP神经网络全息图压缩

针对拥有庞大数据量的全息图再现像质量不理想的问题, 提出一种针对粒子群优化算法(PSO: Particle Swarm Optimization)中学习因子和惯性权值进行动态调整的方法, 将改进后的算法与反向传播(BP: Back Propagation)神经网络相融合形成改进型粒子群优化BP 神经网络(MPSO-BP: Modified Particle Swarm Optimizing
BP Neural Network)并用于全息图压缩。通过与BP 神经网络和粒子群优化BP 神经网络(PSO-BP: Particle Swarm Optimizing BP Neural Network)压缩算法进行对比, 证明了该网络压缩算法在保持较好的压缩效率时得到的全息图再现像质量更好。     

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.     

基于改进粒子群算法的BP神经网络在边坡稳定性评价中的应用

边坡稳定性分析与评价是边坡工程的核心内容,具有高度非线性和不确定性特征。首先,选取了多个边坡工程实例构成学习样本集,以土体重度、内摩擦角、粘聚力、坡角、坡高、孔隙比六个主要影响因素作为土坡稳定性的评价判别指标;然后,采用改进的粒子群算法优化BP神经网络模型,将网络权值和阈值粒子化,通过引入粒子群进化度和粒子群聚合度实现惯性权重的动态变化,利用粒子群算法的全局搜索性实现网络权值和阈值的更新,从而增强算法对非线性问题的处理能力,加快了收敛速度;最后,通过与其它边坡稳定性评价算法进行比较分析,表明了本文研究算法的可行性与合理性。     

基于改进天牛群算法优化的BP神经网络的入侵检测

针对传统BP神经网络的入侵检测中,BP神经网络模型存在容易陷入局部最优、收敛速度慢、初始值随机性较大等缺点,本文提出改进天牛群算法(Beetle Swarm Optimization,BSO)用于优化BP神经网络的权值与阈值,并采用可变的感知因子及导向性的学习策略,以增强算法跳出局部最优的能力,提升算法全局寻优能力。利用天牛群算法群体智能的特点,提高BP神经网络的收敛速度。并将天牛群优化的BP神经网络模型应用于入侵检测,仿真实验结果表明优化后的BP神经网络模型能够显著提高模型的收敛速率和对入侵数据的检测率,降低误报率。     

PSO算法在电力系统中的应用现状和前景探析

粒子群优化（PSO）算法是一种新兴的群体智能优化技术,在简要介绍PSO算法工作原理的基础上,描述了粒子群优化方法在电网规划、检修计划、短期发电计划、机组组合、负荷频率控制、最优潮流、无功优化、谐波分析与电容器配置、参数辨识、状态估计、优化设计等方面的应用,并对今后可能的应用指出了研究方向．     

改进的粒子群算法

为了改善基本粒子群算法的搜索性能,针对粒子群算法随机性较强,收敛较慢的问题,提出了基于退火思想的改进的粒子群优化算法,新的算法更有利于粒子发现问题的全局最优解。通过对经典函数的测试计算,验证了方法的正确性和有效性。     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

粒子群优化-BP神经网络对岩爆的预测

岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.