基于改进PSO-BP神经网络的贮存可靠性预测

贮存可靠性是军事储备质量监测的重要环节,科学准确地预测贮存可靠度是现代化军事评估的必然要求。针对历史贮存数据,建立可靠度与年限的贮存可靠性预测模型,采用进化策略改进粒子群算法(PSO)优化BP神经网络进行贮存可靠性预测。通过数据扩充提高样本质量和数量,应用改进后的PSO算法优化BP神经网络的初始权值和阈值,提高网络的泛化能力。PSO算法较好的全局搜索能力与BP网络很强的局部搜索能力相结合,能够避免早熟现象,提高算法的收敛速度及预测精度。实验结果表明,改进的PSO-BP网络模型比PSO-BP和BP神经网络获得更好的预测性能。     

基于改进萤火虫优化算法的SVR空气污染物浓度预测模型

为了对空气污染物浓度进行准确预测,提出了基于改进萤火虫优化方法(IGSO)的支持向量机回归(SVR)空气污染物浓度预测模型.首先,利用佳点集理论、拥挤度以及变步长策略对萤火虫优化算法进行改进;其次,根据空气污染物浓度时间序列数据构造训练集,运用IGSO算法寻找SVR的最优参数;最后,利用基于最优参数的SVR实现对空气污染物浓度的预测.通过两部分的实验说明文章所提方法的性能.1)在8个标准测试函数上进行多次对比实验,结果显示IGSO算法相比于基于其他改进策略的萤火虫优化方法能够寻找到更优的目标函数值且方差较小,实验表明改进萤火虫优化算法在稳定性及求解精度方面性能较优.2)对京津冀地区空气污染物浓度进行实验,结果显示如下,首先,相比于萤火虫优化算法、粒子群优化算法以及遗传算法,文章基于IGSO对SVR参数的多次寻优结果波动较小,并且所得SVR模型的交叉验证误差及其方差较小;其次,与基于上述其他优化算法的SVR、基于网格搜索的SVR以及BP神经网络相比,文章方法对测试集的预测精度较高.因此,基于IGSO的SVR空气污染物浓度预测模型具有较高稳定性及预测精度.     

季节调整的PSO-SVR模型及其在旅游客流量预测中的应用——以海南省三亚市为例

准确的旅游客流量预测对旅游目的地做好事前准备工作至关重要.然而旅游客流量具有明显的非线性和季节性特征,采取季节调整方法对样本数据进行预处理,消除季节性的影响,可以提高客流量预测的准确性.同时SVR(支持向量回归机)是一种良好的机器学习方法,非常适合预测研究,辅以PSO(粒子群算法)选取合适的回归参数可以获得更加精确的预测结果.提出了一种考虑季节影响并通过PSO优化SVR模型的旅游客流量预测模型,并以海南省三亚市为例进行了实证研究.研究结果表明,季节调整的PSO-SVR模型预测精度明显高于SVR、季节调整的SVR和PSO-SVR模型,是进行旅游客流量预测的有效工具.     

基于粒子群优化的神经网络预测模型

BP学习算法多采用梯度下降法调整权值,针对其易陷入局部极小、收敛速度慢和易引起振荡的固有缺陷,提出了一种改进粒子群神经网络算法.其基本思想是:首先采用改进粒子群优化算法反复优化BP神经网络模型的权值参数组合,再用BP算法对得到的网络参数进一步精确优化,最后用得到精确的最优参数组合进行预测.实验结果表明,该算法在股指预测中的预测性能明显提高.     

混沌粒子群神经网络在上证指数预测中的应用

上证指数预测是一个非常复杂的非线性问题,为了提高对上证指数预测的准确性,本文采用基于混沌粒子群(CPSO)算法对BP神经网络算法改进的方法来进行预测.BP神经网络算法目前已经应用到预测、聚类、分类等许多领域,取得了不少的成果.但自身也有明显的缺点,比如易陷入局部极小值、收敛速度慢等.用混沌粒子群算法改进BP神经网络算法的基本思想是用混沌粒子群算法优化BP神经网络算法的权值和阈值,在粒子群算法中加入混沌元素,提高粒子群算法的全局搜索能力.对上证指数预测的结果表明改进后的预测方法,具有更好的准确性.     

梯度提升回归树的旅游流量预测模型

旅游客流量的精确预测是旅游经济分析及发展规划中的关键问题.以集成学习思想为基础,提出一种基于梯度提升回归树的旅游流量预测模型,针对该模型中最小化目标函数无解析解的情况,对原始模型的树生成算法进行优化,并利用person相关系数分析各影响因素相关性以构建特征向量,对旅游客流量进行精确预测.以桂林市2015年至2018年旅游客流量为例进行分析,通过平均误差、均方跟误差等指标对比分析了指数平滑算法及支持向量机算法的预测精度.实验结果表明,所提方法在旅游客流量预测中具有更高的预测准确性,有较好的应用价值.     

基于LM算法的BP神经网络的电力负荷短期预测

通过对BP神经网络输入负荷值的归一化处理,同时采用Levenberg-Marquardt(LM)算法,建立了一个改进了的BP神经网络,同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明,改进了的BP神经网络具有很高的预测精度和较强的适用能力.     

广东省能源需求预测模型构建及实证分析

为了对广东省的能源需求进行准确的预测,首先分析了影响广东省能源需求的各种因素,构建了预测指标体系.在此基础上,针对能源系统非线性等复杂系统特征,结合粒子群算法和BP神经网络的优点,构建了改进的PSO-BP神经网络的预测模型,并通过主成分分析法对指标体系进行数据降维,以降低神经网络的规模和复杂程度.以广东省1985-2013年的能源需求数据进行模拟与仿真,并对2014-2018年的能源需求量进行预测,理论分析和实证研究表明,该方法能够很好的反映广东省能源需求的特征,预测结果较为准确合理.     

大连水产品冷链物流需求影响因素分析及其预测

提出了一种基于GM(1,1)和BP神经网络的组合预测模型.首先对传统GM(1,1)模型的背景值进行改进,再利用改进的GM(1,1)模型和BP神经网络模型各自的优势分别预测冷链物流需求量的线性主体部分和非线性残差部分,然后将二者进行加和,并通过MATLAB对大连水产品冷链物流需求量进行仿真预测.结果表明,与单一的预测模型相比,该组合模型具有更高的预测精度,使预测结果更接近实际情况.     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

基于遗传神经网络的风电功率预测

针对基于单一BP神经网络的风电功率预测模型的不足,提出了一种基于遗传算法优化的神经网络风电功率预测模型.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.试验结果表明,基于遗传算法优化的神经网络可以提高风电功率预测的精度,其性能优于基于单一BP神经网络模型的风电功率的预测.     

基于粒子群的模糊神经网络的短时交通流量组合预测

为了进一步提高短时交通流量预测的精度,提出了一种粒子群算法的模糊神经网络组合预测模型,模糊神经网络融合了神经网络的学习机制和模糊系统的语言推理能力等优点,弥补各自不足,将自回归求和滑动平均(ARIMA)和灰色Verhulst模型进行初步预测,并将两种初步预测的结果作为模糊神经网络的输入,构建基于改进模神经网络的组合预测模型,在此基础上进行训练和预测,其中模糊神经网络的相关参数由改进粒子群来优化,利用本方法来对南京市汉中路短时交通流量进行预测,结论表明:方法充分发挥了单一模型的优势,比单一的预测模型更加精确,是短时交通流量预测的一个有效方法。     

基于BSA-ELM模型的建筑工程施工成本预测研究

针对建筑工程施工成本管理中成本难以预测的问题,提出用鸟群算法(BSA)优化极限学习机(ELM)模型的参数.首先,利用BSA对ELM模型的输入权值和偏置值进行优化;其次,构建出BSA-ELM建筑工程施工成本预测模型;最后,将BSA-ELM模型与实际工程施工成本数据相结合进行验证.结果表明:模型在成本预测中的精度比ELM模型、CSO-ELM模型、PSO-ELM模型和BP神经网络模型预测精度高,也为类似预测问题提供了一种新的预测方法.     

基于改进的思维进化算法与BP神经网络的AQI预测

思维进化算法(MEA)的趋同和异化操作带有太多的随机性,公告板的信息不能得到充分利用,使得效率下降,出现重复搜索.为了避免MEA算法的这个缺点,借鉴遗传算法(GA)和粒子群算法(PSO)的优点,提出改进的思维进化算法(MEA—PSO—GA).利用MEA—PSO—GA算法优化BP神经网络的初始权值和阈值进而预测太原的日常空气质量指数(AQI).通过与MEA—BP算法,MEA—PSO—BP算法和MEA—GA—BP算法比较,实验结果表明,提出的MEA—PSO—GA—BP算法在预测精度、误差率和可靠性方面搜索速度更优,更易于实现AQI预测,具有较好的有效性和可行性,有一定的现实意义.     

基于二次优化BP神经网络的期货价格预测

针对BP算法存在的不足,结合神经网络、遗传算法和主成分分析的优点,提出基于二次优化BP神经网络的期货价格预测算法.初次优化采用主成分分析法对网络结构进行优化,第二次优化采用自适应遗传算法对网络参数进行优化,将经过二次优化后建立的BP神经网络模型用于期货价格预测.经仿真检验,用新方法建立的模型对期货价格进行预测,在预测的精度和速度方面都优于单纯BP神经网络模型.     

基于组合预测的变压器故障诊断模型

为了快速准确地预测出变压器的故障类型,及时做好维修工作,本文提出了一种基于非线性规划的组合预测模型.首先,利用改进的鲸鱼算法优化BP神经网络建立IWOA-BP预测模型;然后,在IWOA-BP预测模型和梯度提升树的基础上,利用非线性规划与遗传算法相结合的方法确定各算法的权系数,再将各算法的结果加权得出组合模型的最终预测结果.通过实例验证,IWOA-BP预测模型的变压器故障预测效果强于BP神经网络、随机森林等多种预测模型,并且利用IWOA-BP预测模型和梯度提升树建立的组合模型,其预测准确率高于组合中任意一种算法.     

基于改进的PSO-SVM的音频信号特征识别和分类

针对音频信号准确性分类的问题,提出一种基于改进的的粒子群优化算法(PSO)的支持向量机(SVM)音频信号分类的方法,简称IPSO-SVM.首先用Mel倒谱系数法对4种音频信号进行特征提取.其次在PSO中引入自适应变异因子,能够成功地跳出局部极小值点;然后对PSO中的惯性权重进行了改进,将惯性权重由常数变为指数型递减函数.随着迭代的进行,使权重逐渐减小,这样做有利于粒子进行局部寻优.最后用改进的PSO不断优化SVM中的惩罚因子c和核函数参数g来提高预测精度.实验结果表明,与传统的SVM、PSO-SVM、GA-SVM相比,我们提出的IPSO-SVM算法分类结果更精确.     

基于PSO_Trainlm BP模型的图像去噪研究

针对在使用BP模型进行图像去噪时,模型存在的对初始权阈值敏感、易陷入局部极小值和收敛速度慢的问题.为了提高模型去噪效率,提出采用改进粒子群神经网络模型进行图像去噪.首先运用改进粒子群算法对BP神经网络权阈值进行初始寻优,再用trainlm BP算法对优化的网络权阈值进一步精确优化,随后建立基于粒子群算法的BP神经网络去噪模型,并将其应用到图像去噪研究中.仿真结果表明,新模型结合了粒子群算法的全局寻优能力和BP算法的局部搜索能力,减小了模型对初始权阈值的敏感性,有效防止了模型陷入局部极小值的可能,提高了图像去噪模型的速度和质量.     

粒子群优化模糊神经网络在语音识别中的应用

针对模糊神经网络训练采用BP算法比较依赖于网络的初始条件,训练时间较长,容易陷入局部极值的缺点,利用粒子群优化算法(PSO)的全局搜索性能,将PSO用于模糊神经网络的训练过程.由于基本PSO算法存在一定的早熟收敛问题,引入一种自适应动态改变惯性因子的PSO算法,使算法具有较强的全局搜索能力.将此算法训练的模糊神经网络应用于语音识别中,结果表明,与BP算法相比,粒子群优化的模糊神经网络具有较高的收敛速度和识别率.     

基于改进CS优化BP神经网络的降水量预测模型

针对传统BP神经网络易陷入局部极值和连接权值难以确定的问题,提出了一种基于融合PSO(Particle Swarm Optimization)和CS(Cuckoo Search)的混合算法优化设计BP神经网络(PCS-BP)的预测模型.该优化方法主要利用混合算法优秀的全局搜索能力和收敛速度设计优化BP神经网络的连接权值和网络结构,解决了BP神经网络由于参数随机取值引起的网络震荡和过拟合的问题,提高了预测模型的准确性.结合具体实例,分别采用BP神经网络、CS-BP模型和PCS-BP模型对汉中地区的月降水量进行预测,实验结果表明,PCS-BP的平均绝对误差(MAE)为0.3966,均方根误差(RMSE)为2.3793,平均绝对百分比误差(MAPE)为0.46%,均优于其他模型,具有较好的预测能力.