基于改进粒子群算法优化BP神经网络的甜菜产量预测方法

通过分析影响甜菜产量的自然因素,选取6个主要影响因子应用于一种改进粒子群算法优化BP神经网络的预测模型.首先,在标准粒子群算法(Particle Swarm Optimization,PSO)中引入自适应惯性权重的方法增强搜索能力并且提高收敛速度,使用反向逃逸策略避免早熟现象的发生;将改进的粒子群算法引入到BP中形成NCPSO-BP的预测模型算法,既缩短了运算时间,又提高了预测精度;最后将NCPSO-BP与PSO-BP的预测效果进行对比,结果表明NCPSO-BP预测模型其最优预测结果的相对误差平均值3.59%,绝对误差平均值0.196 9,比PSO-BP模型预测误差有所下降.通过这次智慧农业实验项目的应用,实现当年甜菜产量增产50%,为未来推广到面积更大、机械化程度更高的农田应用打下了基础,对现代化农业具有一定意义.     

基于CPSO-RVM的蒸发过程在线预测模型

针对密闭、长流程的蒸发过程由于待浓缩溶液黏度高或腐蚀性强、设备易结垢、工况变化复杂等原因引起的在线预测模型难以建立的问题,提出了一种基于混沌粒子群优化相关向量机(CPSO-RVM)的预测模型。基于贝叶斯学习框架构建了蒸发过程相关向量机预测模型,克服模型对核函数类型的限制和数据敏感性,在此基础上利用混沌粒子群算法对预测模型的核函数进行优化,获得计算量小、泛化性能优的在线预测模型。某厂实际蒸发过程生产数据的算例表明,在存在新蒸汽和原液干扰、设备结垢的整个清洗周期内,CPSO-RVM模型都能获得很好的预测效果,并且比偏最小二乘回归模型(PLSR)和最小二乘支持向量机模型(LSSVM)精度更高,能为实际蒸发过程的在线控制提供参考。     

基于CFSFDP与ELM相结合的半监督室内定位算法

针对室内环境复杂,难以获取足够多的有效标记数据进行定位,提出了一种将密度峰值快速搜索聚类(CFSFDP)和极限学习机(ELM)相结合的半监督室内定位算法(SLACE).SLACE利用CFSFDP聚类数据集,并标记聚类中心缺失的位置信息,扩充初始标记数据;利用ELM训练初始标记数据,根据输出阈值向量和"换位"思想扩充标记数据,提高定位准确率.实验表明:在标记数据个数相同时,该算法运行时间短,较ELM算法、BP算法而言,定位准确率明显提高.     

基于改进蛙跳算法优化的支持向量回归机ORP预测

氧化还原电位是生物氧化提金预处理过程中的一个重要工艺参数,为了实现对氧化还原电位的准确预测,提出一种基于改进的蛙跳算法优化支持向量回归机的预测方法.该算法是在标准蛙跳算法的基础上,参照反向差分的思想对种群进行初始化,将粒子群个体认知引入算法的局部寻优.通过改进的算法优化支持向量回归机的关键参数,并以新疆某金矿的实际生产数据进行仿真,结果表明该方法具有较高的预测精度.     

基于粒子群优化的神经网络预测模型

传统的BP神经网络训练算法,导致训练时间长且易于陷入局部极小点.本文将粒子群优化算法用于神经网络预测模型的学习训练.实验结果表明,基于粒子群优化的神经网络学习算法更易于实现,且能更快地收敛于全局最优解.     

基于膜计算粒子群优化的FastSLAM算法改进

针对FastSLAM算法存在的粒子退化和粒子多样性缺失问题,提出了一种基于膜计算粒子群优化的FastSLAM算法.该算法将膜计算和粒子群优化算法相结合,利用膜计算的并行性、分布式的特点和粒子群优化算法的简单高效的优点,加速调整FastSLAM算法中粒子群的建议分布向全局最优解处收敛,在保证算法局部搜索精度的同时,扩大搜索范围,提高全局搜索的多样性,促使预测粒子更快的朝着真实的机器人位姿状态逼近,减缓粒子退化.最后利用MATLAB平台进行仿真实验.实验结果表明该算法提高了FastSLAM算法的定位精度,同时减少了系统运行时间,效率得到有效提高.     

基于多因素回归分析和机器学习算法的冠心病预测模型构建及比较

本文旨在构建基于临床电子病历数据的冠心病预测模型.回顾性收集了2015年至2020年在宁波大学医学院附属医院住院期间,接受选择性冠状动脉造影的患者的临床数据,分别应用决策树、朴素贝叶斯和逻辑回归算法构建冠心病预测模型,比较3种模型的预测性能.共收集354例患者数据,其中冠心病患者140例,非冠心病患者214例,根据逻辑...     

基于粒子群优化求解纳什均衡的演化算法

基于粒子群优化方法从群智能的角度建立了博弈的演化模型，为求解有限n人非合作博弈的纳什均衡设计了一种粒子群优化算法．通过随机初始点的可行化以及对迭代步长的控制，保证粒子群在算法的迭代过程中始终保持在博弈的可行策略空间内，避免了在随机搜索中产生无效的粒子，因此提高了粒子群优化算法求解纳什均衡的计算性能．给出了算法的数值例子并分析了该算法的计算性能，通过粒子群算法与遗传算法的比较显示了粒子群算法求解博弈纳什均衡解的高效性．     

基于粒子群优化的差分隐私拟合框架

针对监督学习中模型拟合的参数优化问题,提出基于粒子群优化的差分隐私拟合框架。以满足差分隐私的改进指数机制选择粒子群优化算法中个体最优和群体最优粒子,进而驱动模型拟合参数的全局优化,为训练数据集提供差分隐私安全保障。在改进的指数机制中,以拟合函数构造适合于粒子群优化的打分函数,通过参数向量候选集和选定集实现个体最优和群体最优参数向量的更新迭代。给出满足差分隐私的理论证明以及在回归和支持向量机模型中的具体应用。     

一种多样性驱动的自适应粒子群优化算法

粒子群优化算法是一种随机全局优化算法,但它容易陷入局部最优和早熟,为了克服其缺陷,本文提出了一种多样性驱动的自适应粒子群优化(DDA-PSO)算法。本算法包括吸引阶段和驱动阶段。吸引阶段利用惯性权重线性递减机制加快粒子收敛,驱动阶段利用多样性驱动速度策略提升种群多样性。两个阶段相互自适应转换,粒子能跳出局部最优和防止早熟,算法的勘探与开拓获得自适应平衡。DDA-PSO算法与其他已有算法进行了比较,实验结果表明,DDA-PSO算法提高了收敛速度和精度,全局搜索能力得到显著提高。     

生物氧化预处理过程中氧化槽温度的预测控制

在实际生产过程中,氧化槽温度是影响细菌活性的关键因素.由于受外部环境及高寒地区昼夜温差大和极端天气频繁的影响,导致氧化槽温度不断变化.为了保证氧化槽内温度稳定,本文提出一种以在线最小二乘支持向量回归机(OLS-SVR)为模型的非线性预测控制方法,采用基于种群交流选择机制的自适应混沌粒子群算法滚动优化非线性模型预测控制的目标函数,求得最优控制量.通过仿真比较分析可知,在不同外界温度下,所提算法能够有效地对氧化槽温度进行预测和控制,为生物氧化预处理过程提供新的方法.     

基于改进NARX神经网络算法的光伏发电功率短期预测

为准确地预测光伏发电功率,节约资源,提出一种基于改进非线性自回归(nonlinear autoregressive with external input,NARX)神经网络算法的光伏发电功率短期预测模型。通过皮尔森相关分析选择影响发电功率的环境因素,利用遗传算法(GA)优化受限玻耳兹曼机(RBM)模型参数,避免陷入局部最优;利用优化后的RBM模型初始化NARX神经网络的参数。实例预测表明,改进NARX神经网络算法对光伏发电功率短期预测精度更高,收敛速度更快。     

基于动态因子和共享适应度的改进粒子群算法

为提高粒子群算法的收敛速度和优化性能,避免陷入局部最优,提出了一种基于动态学习因子和共享适应度函数的改进粒子群算法.在惯性权重w随着迭代次数非线性减少而动态调整学习因子的基础上,引入共享适应度函数.当算法未达到终止条件而收敛时,利用粒子和最优解间距离挑选一批粒子重新初始化形成新群体,并用共享适应度函数对新群体进行评价,新旧2个群体分别追随自己的局部最优解直至迭代结束.对4个典型多峰复杂函数的测试结果表明,该改进算法不仅加快了寻得最优解的速度,而且提高了粒子群算法全局收敛的性能.     

基于因素分析和SVM模型的江海联运运量预测方法

鉴于江海联运运量受众多因素的影响, 为了解决江海联运运量预测问题, 先对江海联运运量影响因素进行分析, 再用灰色关联度分析筛选出其中的典型因素. 在此基础上应用粒子群算法优化的支持向量机建立江海联运运量预测模型, 应用于宁波港域江海联运量的预测. 结果表明, 该模型与传统时间序列预测方法相比具有较高的拟合度和预测精度, 为解决江海联运运量等多因素非线性系统预测提供了一条新的途径.     

基于时空优化长短期记忆网络与烟花算法的AQI预测

针对传统深度学习模型在预测空气质量指数(air quality index,AQI)时,难以从时间角度建模、网络超参数选取困难等问题,提出一种基于长短期记忆(long short-term memory,LSTM)网络和烟花算法(fireworks algorithm,FWA)的AQI预测模型LSTM-FWA。首先,以武汉市历史空气质量和气象监测数据为研究对象,利用LSTM网络中隐含层节点之间相互连接的结构特点,对空气质量的时间变化特征进行建模;接下来,考虑到种群多样性和并发性,将烟花算法应用到超参数组合优化问题中;最后,对模型输入分别进行时间、空间、时空角度的优化,实验结果表明基于时空优化的LSTM-FWA模型预测性能提升最为明显。将LSTM-FWA与其他预测模型进行比较,并全面分析不同模型在各种优化策略下的性能。实验结果显示,本文提出的时空优化LSTM-FWA模型对于AQI预测具有最优的性能。     

基于多准则决策的塔状粒子群优化算法

针对经典粒子群优化算法存在早熟、收敛精度低和收敛速度慢的问题, 提出了一种新的改进算法. 该算法采用了塔状优化互联机制, 底层粒子群负责寻找局部最优解, 顶层粒子负责收集、反馈全局最优解, 为底层种群提供全局最优信息, 建立共享学习机制. 顶层粒子一旦发现停滞现象, 将通知底层粒子群采用细菌觅食优化、随机初始化等停滞优化策略, 以改善粒子群的收敛速度. 实验结果表明, 与同类算法相比, 改进算法具有更好的寻优能力, 改善了粒子群的收敛精度和收敛速度.     

基于动态分级和邻域反向学习的改进粒子群算法

针对粒子群算法容易陷入局部最优解的问题,提出了一种基于动态分级和邻域反向学习的改进粒子群算法.该算法通过构建动态分级机制,将种群中的粒子动态地划分成3个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样性的同时保持向全局最优方向进化;采用粒子智能更新方式,提高了粒子的搜索能力;引入动态邻域反向学习点建立全局搜索策略,促使种群快速寻优.最后,利用多种典型测试函数对该算法进行仿真实验,结果表明,与其他几种优化算法相比,本算法具有较好的收敛性和稳定性.     

基于Storm的城市智能交通规划方法

为了缓解城市交通拥堵,提高城市道路利用率,增强路径规划的实时性,提出基于Storm的城市智能交通规划方法。该方法在Storm框架的基础上,设计了城市实时动态路径规划模型(UR-MODE),将用户选择的静态目标和实时路况的动态目标相结合,实现城市交通路径的智能规划;针对城市交通数据实时性较强的特点,利用用户偏好值动态选择最优粒子,并结合自适应惯性权重策略和小规模扰动策略,提出改进的自适应粒子群优化(adaptive partner-particle swarm optimization,APPSO)算法,保证模型的高效求解;结合开源实时处理系统Storm,实现了海量实时交通数据处理。仿真实验结果表明,相较于现有路径规划算法,本文方法收敛速度更快、稳定性更强,能减少17%的车辆平均行驶时间,道路资源利用率平均提高58%,大大缓解了城市交通拥堵问题。     

基于SVM和LS-SVM的住宅工程造价预测研究

为在方案设计初期与工程造价相关信息很少的条件下,准确快速地预测住宅工程造价,在分析既往相关理论和方法优劣的基础上,选取支持向量机构建住宅工程造价预测模型,并通过主成分分析对原始数据进行降噪处理.选取住宅工程造价预测指标集与样本,对输入指标的数据进行主成分分析,消除指标相关性的同时对原始数据降维,将处理后的数据分别导入到"标准支持向量机"和"最小二乘支持向量机"模型中进行训练和预测,并对预测结果进行对比分析,选取较为合理的预测模型,通过参数寻优进一步优化预测效果.所构建预测模型的相对误差均控制在±7%以内,预测精度较高,结果稳定.     

基于IFOA-FSVM的WRF模式台风期阵风精细化预报

为提高天气预报模式(Weather Research and Forecasting Model, WRF)输出中台风期阵风的预测精度,将WRF模式输出与某观测站实况数据相结合,提出一种台风期阵风精细化预报方法.针对影响台风风速的因素众多,而传统依据人工经验预判的风速存在较大误差的现状,该方法构建了台风期阵风预测的模糊支持向量回归模型,同时为解决模糊支持向量回归模型中惩罚因子C和核参数g难于确定的问题,将果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)引入到模糊支持向量机(FuzzySupportVectorMachine,FSVM)的参数寻优中,并根据风速回归的特点,把果蝇优化算法引入到三维空间,结合增强因子γ以提高传统果蝇优化算法的全局寻优能力.实验结果表明,本文构建的模型预测风速与实际风速基本一致,相关性达到99%,不仅提高了WRF模式风速的适用性,而且风速预测精度明显优于传统FOA-FSVM和FOA-SVM方法,具有更强的泛化能力.