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.     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群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.     

粒子群和遗传算法优化神经网络结构的破产预测

引荐了运用粒子群算法和遗传算法优化多层前馈神经网络结构预测破产的方法.融合了粒子群算法、遗传算法和神经网络众多优点,自适应和并行地搜寻神经网络最优的结构,由此构建优化的预测模型.采用源自UCI机器学习数据库的破产和非破产混合样本数据集,随机地从数据集中读取数据并进行数据预处理,运用7重交叉校验方法客观地评价预测结果.仿真证明,方法能自动有效地构建神经网络的优化结构,具有更快的学习速度和更好的推广性能.与其它方法相比,方法具有更高的破产预测准确率.     

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.     

基于粒子群算法的水稻用水的优化配置

本文旨在实现水稻用水资源的优化配置.早稻、一季稻和晚稻等不同类型水稻的用水,以及同一类型的水稻在不同的生长阶段,均存在着用水优化配置的问题.粒子群优化算法比较容易操作,在计算方面具有效率和精度高的优点,可以应用于水稻用水的优化配置模型的求解.以衡阳县高炉村的水稻用水优化配置为具体算例,验证了算法的可行性.     

基于粒子群优化算法的库存不确定性分析

库存不确定性问题是供应链不确定性研究的重点之一.利用粒子群优化算法快速搜寻最优解的优点对库存不确定性问题进行仿真分析,得出了库存不确定性环境下的最优解,这说明了粒子群优化算法能够辅助供应链管理者在不确定性环境下对供应链进行优化设计和决策分析.     

基于粒子群算法的大型网络计划资源优化

现有求解网络计划资源优化的方法中,解析法不能解决大型复杂网络优化问题,启发式方法过多依赖具体问题、求解效率低,遗传算法生成新一代优化解种群依据的三个算子的实现参数选择,大部分依靠经验并严重影响解的品质,粒子群算法存在大型网络计划资源优化计算量过大和缺少大型网络计划资源优化算例问题.借助设计网络计划时间参数的计算机算法、建立评价函数、设计进化方程等基础工作,选择与工作开始时间相关的变量作为粒子空间位置,用蒙特卡洛方法和限制条件优化初始粒子群,设置可行解范围,用二维动态数组解决大型网络计划资源优化运行image超限问题,通过粒子群算法进化,寻求大型网络计划资源优化解,算例表明基于粒子群算法的大型网络计划资源优化效果明显,粒子群算法参数分析表明:粒子群算法的参数会影响网络计划资源优化结果,而且初始粒子群限制条件和优化目标设置的影响程度较大.     

一种使用单纯形法优化的粒子群算法

根据单纯形法和粒子群算法的各自特点,提出了一种使用单纯形法优化的粒子群算法,算法利用单纯形法来对粒子群算法的初始值进行处理.数值实验表明,优化后的粒子群算法具有更好的的寻优能力.     

基于粒子群算法的大型网络计划费用优化

大型网络计划费用优化对科学有效地进行工程项目进度管理具有重要意义,但大型网络计划费用优化随工作个数增加而约束方程和计算量骤增,成为数学和计算机科学领域至今未解决的难题.借助建立评价函数、设计进化方程、设计网络计划时间参数的计算机算法等基础工作,选择工作持续时间作为粒子空间坐标并设置可行解范围,用蒙特卡洛方法和限制条件优化初始粒子群,用二维动态数组解决大型网络计划粒子群算法优化运行image超限问题,成功求解有61个工作的大型网络计划费用优化算例.因此,经过特定设计的粒子群算法是微机和有限的计算时间条件下求解大型网络计划费用优化问题的一个有效方法.     

基于改进的粒子群算法求解供应链网络均衡问题

传统的供应链求解方法为投影法,针对其要对投影进行计算,十分复杂的缺点,提出用改进的粒子群算法求解供应链均衡问题,利用动态异步调整学习因子来有效的提高了算法搜索能力与精度。本文介绍了供应链网络均衡问题转变为无约束优化问题的方法,然后用改进的粒子群优化算法进行求解。通过四个数值算例,将实验结果与标准粒子群算法、蜂群算法、学习因子同步变化的粒子群算法进行比较,验证了改进的粒子群优化算法在解决供应链网络均衡问题中的有效性与优越性,为供应链网络求解提供了一种新的方法。     

基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究

为了充分发挥概率神经网络在企业财务危机预警中的作用,克服概率神经网络平滑参数难以确定和空间复杂度高的不足,本文提出一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数,进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择,解决了概率神经网络平滑参数的确定及空间结构复杂的问题。提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型,并以我国上市公司作为研究对象进行了实证研究。结果表明,经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能,并在企业财务危机长期预警方面具有一定效用。     

基于神经网络的股票预测模型

针对股票市场的特征提取困难、预测精度较低等问题,本文基于深度学习算法,构建了一系列用于股票市场预测的神经网络模型,包括基于多层感知机(MLP)、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆网络(LSTM)和门控神经单元(GRU)的模型。 针对RNN、LSTM和GRU无法充分利用所参考的时间维度的信息,引入注意力机制(Attention Mechanism) 给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的性能。上述模型均基于股票数据进行了优化,基于上证指数对各类模型进行了充分的对比实验,探索了模型中重要变量对性能的影响,旨在为基于神经网络的股票预测模型给出具体的优化方向。     

基于近邻刺激的改进粒子群优化算法

针对粒子群算法在优化复杂问题时收敛速度慢和易早熟的缺点,提出了基于近邻刺激的改进粒子群优化算法(NSPSO),通过增加一维刺激机制,加强了种群中粒子相互间的信息交流,改善了粒子的学习能力和算法的搜索能力.同时,粒子在速度更新时自适应采用两种更新机制,防止了陷入局部最优,也增强了粒子的搜索效率.在8个测试函数上的实验表明,与一些改进的粒子群算法相比较,在6个函数上的收敛精度和收敛速度都优于其他改进算法,且t检验结果证明了NSPSO算法具有明显的优势,并通过混合动力汽车能源控制策略的优化问题,进一步验证了NSPSO的有效性.     

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。     

基于神经网络与群智能的多代理人决策模型及其应用

本文提出了一种基于神经网络与群智能技术的多代理人决策模型.该决策模型以神经网络作为决策控制器,神经网络的输入层是代理人的历史行为策略,输出层决定了代理人的当前策略,神经网络的权重通过群智能优化技术进行训练.权重值的更新过程刻画了代理人行为策略的动态变化过程.仿真实验表明该决策模型具有自适应学习的能力,并能克服代理人之间的冲突取得Pareto最优.