基于集合经验模态分解和差分进化算法优化BP神经网络的船舶交通流预测

针对船舶交通流时间序列的非线性和非平稳性特点,设计一种结合集合经验模态分解(ensemble empirical mode decomposition,EEMD)和差分进化算法优化BP神经网络(back propagation neural network optimized with differential evolution algorithm,DEBPNN)的船舶交通流组合预测模型(EEMD-DEBPNN).首先,利用EEMD算法降低船舶交通流时间序列的非平稳性;然后,对EEMD分解后获得的各非线性分量采用DEBPNN模型(先采用DE算法对BPNN的初始权值和阈值进行预寻优,再利用预寻优获得的初始权值和阈值训练BP神经网络得到最优的权值和阈值)进行预测;最后,再将各分量预测值进行叠加即得到最终预测结果.基于长江某港口航道船舶月交通流数据,将该组合模型与BPNN、DEBPNN模型进行实例对比分析.结果表明,EEMD-DEBPNN较DEBPNN、BPNN模型的预测精度更高.     

基于人工免疫算法的神经网络电力系统短期负荷预测

在BP神经网络（Baek-propagatlon neural network, BPNN）模型中引入人工免疫算法（Artificial Immune Algo-rithm,AIA）,给出了AIA-BPNN模型,基本思想是结合AIA算法的搜索特性和BPNN 模型的优良性能,可以进一步提高学习能力．与实际电力系统结合构造了AJA-BPNN电力系统短期负荷预测模型,通过使用AIA算法,优化BPNN的权值和阈值。使BPNN权值和阈值选择的盲目性得以克服．     

基于变异粒子群优化与深度神经网络的航空弹药消耗预测模型

为了提高航空弹药的供应保障效率,将变异粒子群优化(MPSO)融入深度神经网络(DNN),研究航空弹药训练消耗预测问题。通过DNN确定网络各层的最优激活函数,基于MPSO参数寻优得到网络各层最优的权值和阈值,进而构建MPSO与DNN融合的航空弹药训练消耗预测模型。实验研究表明,该文组合预测模型在对5年数据的预测中均方误差为0.000 9,与粒子群优化-深度神经网络(PSO-DNN)模型、DNN模型以及反向传播神经网络(BPNN)模型相比具有更好的预测性能。     

基于遗传神经网络的纱线质量预测

针对基于单一BP神经网络的纱线质量预测模型的不足,提出了一种基于遗传算法优化的神经网络的纱线质量预测模型,采用遗传算法完成对神经网络权值和阈值空间的寻优搜索,以提高神经网络的收敛速度和获得全局最优解的能力.通过试验表明,基于遗传算法优化的神经网络可以提高纱线质量预测模型的精度和稳定性,其性能优于基于单一BP神经网络模型的纱线质量预测.     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.     

基于GA-ELM数控铣刀寿命预测模型研究

在加工过程中,刀具磨损状况对零件的加工质量具有重要影响,精确预测刀具寿命是智能制造系统必须具有的关键功能之一.在分析数控铣刀寿命影响因素的基础上,引入极限学习机(ELM)算法模型,建立数控铣刀寿命预测模型.在寿命预测过程中,采用遗传算法(GA)对ELM模型的输入权值和隐含层阈值进行优化,建立基于GA-ELM的数控铣刀寿命预测模型,同时将其与基本BP神经网络、优化BP神经网络和基于粒子群改进的BP神经网络的预测结果进行对比分析.结果表明,基于GA-ELM的刀具寿命预测模型相比较于其他3种算法更加优越,是一种行之有效且精度高的刀具寿命预测算法.     

SOA优化BP神经网络的水体氨氮预测模型

为提高水体中氨氮的预测精度,本文提出一种基于SOA改进BP神经网络的预测模型。首先,采用具有较好全局搜索能力和局部搜索能力的SOA算法对BP神经网络的初始权值和阈值进行优化,防止其在训练过程中陷入局部最优值,而后采用优化后的权值和阈值作为BP神经网络的初始权值和阈值对其进行训练。仿真结果表明所提出的新模型对水体中的氨氮含量具有更高的预测精度,且提出模型的收敛速度较传统BP神经网络更快,可更好的应用于复杂水体中氨氮的预测。     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

基于BAS-BP模型的变压器故障诊断

针对变压器故障诊断中BP神经网络诊断精度不够高的缺陷,提出一种天牛须搜索(BAS)算法与BP神经网络相结合的算法.将天牛须搜索算法寻优后的初始权值和阈值作为BP神经网络的初始权值和阈值,建立模型并进行仿真测试.结果表明,与传统BP神经网络相比,新模型有效克服了训练时间长、收敛速度慢的缺点,为变压器故障诊断提出了一种新的方法.     

基于人工鱼群神经网络的城市时用水量预测方法

城市供水时用水量预测精度对城市供水系统具有重要影响.传统的反向传播(back-propaganda,BP)神经网络预测方法容易陷入局部解,并且需要大量的训练数据.人工鱼群算法具有较优的全局收敛能力及较快的寻优速度.为此,利用人工鱼群算法对BP神经网络的初始权值和阈值进行优化,建立了一种新的时用水量预测模型.将该模型应用到华北某市时用水量的预测中,预测结果表明人工鱼群神经网络算法的均方差比BP神经网络算法的均方差小5%.实例证明,人工鱼群神经网络比BP神经网络的预测精度更高,收敛速度更快.人工鱼群神经网络算法可用于短期水量预测.     

基于优化FOA-BPNN模型的脱贫时间预测

针对精准扶贫缺乏有效的分析模型对扶贫的成效与脱贫时间进行准确刻画与定量分析问题，提出了基于 FOA-BPNN 贫困户脱贫时间预测模型．针对BP神经网络模型可能陷入局部最小的缺陷，引入果蝇优化算法，以BP 神经网络的预测误差作为适应度值，寻找最优的BP神经网络参数值，提高参数精度．由于标准果蝇优化算法的搜 索半径固定，可能导致后期局部寻优性能弱，提出了一种动态步长变更策略的DSFOA-BPNN模型，通过引入变速因 子与种群密度，将动态步长FOA算法与传统误差反向传播神经网络(BPNN) 结合，提高模型预测时间精度．在湖北 省某贫困地区 50000 条扶贫数据的基础上，通过实验表明:与BPNN和FOA-BPNN模型相比， 提出的 DSFOA-BPNN 模型预测精度分别提高了44%和11%．增量实验表明: 提出的DSFOA-BPNN模型更适用于精度预测.     

改进天鹰优化器优化Elman神经网络模型预测管道蜡沉积速率

管道结蜡一直是困扰含蜡原油输送的棘手问题,建立准确的蜡沉积速率预测模型对于保障管道的安全运行具有重要的实际意义。考虑到Elman神经网络(Elman neural network, ENN)模型的不足(易陷入极小点、泛化能力弱),基于蜡沉积速率的主要影响因素,提出了一种基于改进天鹰优化器(引入鲸鱼优化算法的狩猎策略对天鹰优化器的局部搜索能力进行改进)的ENN模型,并基于两组室内实验数据对比分析了所建新模型和其他模型预测精度的差异。结果表明,改进新模型的平均绝对百分比误差分别为0.760 3%、1.245 2%,其预测精度明显高于传统ENN模型;采用改进天鹰优化器建立的ENN模型可对初始权值和阈值进行寻优处理,极大提高了泛化能力,因此具有预测精度高的优点。     

基于特征选择和优化极限学习机的短期电力负荷预测

针对负荷预测过程中特征量难以确定以及极限学习机(ELM)存在因随机产生的初始权值和阈值导致输出稳定性低的问题，提出了基于格拉姆施密特正交化与皮尔逊相关性分析相结合的特征选择方法(GSO-PCA)和改进灰狼算法(IGWO)优化ELM的短期电力负荷预测模型(IGWO-ELM)。对两种不同类型的特征分别使用GSO算法和PCA进行优选，并根据平均绝对百分比误差(MAPE)确定最优特征集，与传统的经验特征选择、最大互信息系数特征选择、随机森林特征选择比较，GSO-PCA特征选择的MAPE分别降低了1.3%、0.55%和0.83%,验证了其优越性；将Tent混沌映射和粒子群优化算法(PSO)融入到灰狼优化算法中，得到IGWO,并利用两种典型的测试函数对IGWO性能进行测试，证明了其具有更强的寻优能力；使用IGWO算法对ELM的初始权值和阈值进行动态优化，建立IGWO-ELM短期负荷预测模型。将拟合优度检验系数、平均绝对误差、均方根误差和MAPE作为评价指标，结合实例分析，与传统的模型进行比较。仿真结果表明：所提预测模型得到的4个评价指标分别为0.997 8、54.90 kW、72.02 kW和1....     

基于IPSO-BP神经网络的坝基扬压力预测方法研究

针对坝基扬压力预测的传统BP神经网络模型初始权值和阈值随机性强、易陷入局部最优等局限,采用惯性权重动态调整的改进粒子群算法对BP网络的初始权值和阈值进行优化,建立了基于IPSO的BP神经网络坝基扬压力预测模型．通过算例验证算法的优越性及程序的准确性,并以某大坝多年扬压力监测数据进行工程实例应用,结果表明,IPSO—BP扬压力预测模型与传统BP模型相比,拟合相关系数大,统计误差小,预测精度更高．     

基于PSO-BP的钻井机械钻速预测模型

机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求.基于此,提出一种人工智能算法与BP(back propagation)神经网络相结合的钻井机械钻速预测模型.首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余.其次,利用粒子群优化(particle swarm optimization,PSO)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(genetic algorithm,遗传算法)-BP等三种模型进行对比分析.最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价.结果表明,PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考.     

应用遗传算法和LM优化的BP神经网络模型预测机场道面使用性能

分析了影响道面使用性能的各种参数,结合BP神经网络和遗传算法来预测机场道面使用性能.通过遗传算法全局寻优功能对神经网络的初始权值和阈值进行优化,然后采用LM(Levenberg-Marquardt)优化算法对神经网络训练速度进行加速,并且使训练避免陷入局部极小点.通过历年数据对神经网络进行训练,用所得神经网络模型对机场道面使用性能进行预测.训练结果表明,该方法具有足够的精度,能够应用到工程实际中.     

基于改进粒子群优化算法和极限学习机的混凝土坝变形预测

混凝土坝变形预测是评价大坝运行状态和预测大坝行为的重要方法.但是,混凝土坝的随机荷载和强非线性变形限制了传统多元线性回归模型的应用.而人工神经网络模型则对复杂和高度非线性行为具有良好适应性.针对基于梯度下降法的常规神经网络模型收敛速度慢和过度拟合等问题,提出了一种基于改进型粒子群优化算法选取极限学习机(ELM-IPSO)最优参数的大坝变形预测模型.针对传统粒子群算法搜索时间长、容易陷入局部最优的特点,采用自适应惯性权重和动态调整学习因子,对粒子群算法进行了改进.研究表明,IPSO算法提高了粒子群优化的全局搜索能力,提高了计算效率.应用IPSO优化ELM模型的初始权值和阈值.通过东江混凝土拱坝的实测资料,验证ELM-IPSO模型的预测性能.将计算结果与BPNN模型、ELM模型和传统ELM-PSO模型的结果进行比较.BPNN模型、ELM模型、ELM-PSO模型和ELM-IPSO模型的平方相关系数R2分别为89.15%、91.13%、93.87%和94.36%.ELM模型的R2大于BPNN模型,说明ELM模型比常规的BPNN模型预测精度更高,泛化性能更好.ELM-PSO模型的预测精度大于ELM模型,说明PSO对ELM的优化在提高预测精度方面具有良好的作用.4个模型中,ELM-IPSO模型的R2最大,预测精度最高,这表明提出的ELM-IPSO模型能够有效提高混凝土坝变形的预测能力.     

遗传算法优化的神经网络预测团雾

针对国内外研究中现有团雾预测方式中出现的不足,建立了基于遗传算法优化的神经网络预测模型,用以对高速公路团雾的发生进行预测.在利用遗传算法得到BP神经网络的初始权值和阈值基础上,通过神经网络对输入的历史团雾气象数据进行学习训练,建立团雾预测模型.经优化的神经网络模型避免了由于神经网络初始权值、阈值难以确定所造成的网络震荡问题,以及神经网络计算过程中易陷入局部解的问题.实验结果表明,优化后的团雾预测模型具有较高的预测精度,为高速公路团雾的预测提供了新的方法与思路.     

一种改进的SOM神经网络在污水处理故障诊断中的应用

自组织映射(SOM)神经网络初始权值的选取对神经网络的性能有重要的影响。采用改进的帝国竞争算法(IICA)优化局部权重失真指数(LWDI)寻优SOM神经网络的初始权值;利用改进后的SOM神经网络(IICA-SOM)对污水处理过程数据进行聚类和故障诊断。实验结果表明,与传统的SOM算法相比,IICA-SOM算法取得了更好的聚类效果,且故障诊断的误诊率更低。     

一种非线性系统参数辨识的耦合算法研究

针对工程复杂性、时变性、非线性的特点,提出了基于混沌免疫粒子群算法(CIPSO)与El-man神经网络的耦合算法(CIPSD-ENN),用于非线性动态模型参数辨识.CIPSO优化算法将人工免疫系统中的克隆选择和混沌优化机制引入粒子群算法,在粒子群种群进化过程中,该算法对粒子进行克隆选择,提高其收敛速度,对克隆后的粒子混沌变异以增强种群局部搜索能力.最后,CIPSO与动态反馈型Elman神经网络融合,对其权值、阈值寻优,建立了基于CIPSO和ENN的耦合算法系统辨识模型.实验结果表明,算法具有收敛速度快、收敛精度高、鲁棒性强的特点,与单纯Elman网络辨识相比,模型收敛速度提高了10倍,拟合精度提高了2个数量级.