基于改进粒子群优化算法的灰色神经网络模型

根据灰色神经网络的参数随机选择类似于粒子群算法中的粒子初始空间位置,采用改进粒子群算法代替梯度修正法,对网络参数进行了处理,并通过寻找粒子群算法中的最优个体,建立了基于改进粒子群算法的灰色神经网络,提高了预测模型的稳健性和精度.通过解决短期订货量问题,与反向传播(BP)神经网络、灰色神经网络、没有改进的粒子群灰色神经网络算法和基于遗传算法的灰色神经网络等方法进行了比较.分析结果表明,基于改进粒子群算法的灰色神经网络计算更为方便,并具有更好的逼近能力和预测精度.为优化网络模型参数提供了一种新方法,并拓展了预测模型的研究思路.     

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PCA-BP神经网络的PM2.5季节性预测方法研究

【目的】分季节预测PM_2.5浓度值,利用PCA方法对数据进行降维,分析季节及气象因素对PM_2.5的影响,在提高预测准确率的同时降低时间复杂度。【方法】以合肥市2014—2017年的PM₁₀、SO₂、CO₂、CO、O₃浓度值,以及同时段的气象因素值,对PM_2.5浓度进行预测。数据分析中发现PM_2.5在不同季节浓度差异较大,故本研究选择分季节进行预测;为了提高预测准确率,加入如风力、温度、湿度、气压等气象因素进行预测,同时采用主成分分析(PCA)的方法进行数据降维,将降维后的数据再输入BP神经网络模型进行预测。【结果】实验采用3组实验进行对比:5种污染物指标(PM_2.5-5)预测PM_2.5、加入气象因素的综合12项指标(PM_2.5-12)预测PM_2.5、对综合指标进行PCA处理后的(PM_2.5-PCA)预测PM_2.5。实验结果表明:4个季节的PM_2.5浓度值有较大变化,均方根误差(RMSE)的差值较大;采用PM_2.5-PCA的方法,在任何季节的RMSE均有降低,相关系数(r)均有所提高。【结论】PM_2.5浓度具有季节性特征,采用季节性预测方法可以提高预测准确率;同时采用PCA方法进行降维,可以在保证准确率的同时降低预测时间复杂度。     

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.     

长三角地区经济发展与PM10年均浓度变化的灰色关联分析

选取2007—2012年的PM_(10)年均浓度变化和粗钢产量等7项主要经济指标,运用灰色关联分析法计算关联度系数,对比分析长三角地区及其三省一市的关联度系数,找出地区不同省市的主要污染原因,为大气污染制定控制措施提供有效的决策参考。     

基于二向注意力循环神经网络的PM2.5浓度预测

针对PM2.5浓度预测模型效果不稳定、泛化能力差的问题,以循环神经网络和注意力机制为基础,提出了二向注意力循环神经网络（TDA RNN）。首先,TDA-RNN模型通过注意力机制获取输入数据的时序注意力和类别注意力,并将其进行融合;然后通过特征编码器对融合后的数据进行编码,获得中间特征;最后将中间特征与PM2.5浓度的历史信息融合,并通过特征解码器获取预测值。对北京地区的PM2.5浓度进行了预测。结果表明,相比前向型神经网络、长短期记忆神经网络、门控循环单元模型和滑动平均模型,TDA-RNN模型预测精度更高;在抗干扰测试中,当输入数据存在无关因素时,TDA RNN模型的预测精度出现轻微下降,但仍高于其他模型。该二向注意力循环神经网络特征提取能力强,预测精度高,同时可适用于其他场景的多变量时间序列预测。     

基于改进粒子群算法优化BP神经网络的废水处理软测量模型

针对废水处理过程BP神经网络软测量模型受处理过程非线性特征影响,存在收敛速度慢、陷入局部极小点等问题,用改进的粒子群算法(PSO)优化BP神经网络,建立废水处理过程中出水化学需氧量(CODeff)与出水固体悬浮物(SSeff)的软测量模型(PSO-BP模型),并与基于遗传算法-BP神经网络算法的模型(GA-BP模型)及...     

基于改进粒子群算法优化神经网络结构和权值

神经网络识别能力的优劣是由网络结构和权值共同确定的.本文设计一种粒子群编码方式,实现神经网络结构和权值同时优化,并采用目标函数正则化的方式,使神经网络的学习能力和识别能力相结合,同时,设计出一种动态协同粒子寻优方式,在兼顾基本粒子群算法全局收敛的快速性的基础上,加强局部搜索的开发性,有效提高了算法寻优效率.将该模型应用到UCI标准数据集进行仿真实验,实验结果验证了本文方法可以提高神经网络的学习和识别能力.     

基于粒子群优化的神经网络算法的英语翻译

近年来出现的粒子群优化算法与神经网络相结合,可以有效地提升全局搜索最优的能力,同时也提升了收敛的速度。将粒子群算法与神经网络结合应用于英语教学,通过对提取的学生翻译样本进行学习训练,用训练好的粒子群优化的神经网络模型对学生的英语翻译能力进行正确程度的分析,帮助教师估计学生的翻译能力水平,为下一步的教学提供参考。深入从粒子群优化算法的数学模型和算法流程何人工神经网络模型的基本原理出发,提出了学习能力分析模型,确定该模型的神经网络的拓扑结构和隐藏层的节点数。案例应用结果表明,该研究模型可以促进英语翻译教学质量的提高和教学相长。     

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.     

基于自适应粒子群优化算法的神经网络的优化研究

针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的自适应粒子群优化算法用于神经网络的训练.该算法通过改进自适应搜索策略以提高网络泛化性能,并结合Ionosphere雷达信号分类数据集进行仿真测试.研究结果表明:基于自适应粒子群优化算法训练的神经网络在分类准确率和分类误差上明显优于传统的BP算法,且很好地提高了网络泛化能力和优化效果.     

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。     

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.     

基于粒子群优化神经网络的财务预警模型研究

针对基于神经网络的财务预警方法网络结构复杂和训练时间长的缺点,笔者提出了基于粒子群优化神经网络的财务预警方法.首先对样本数据进行归一化处理,然后采用粒子群优化的BP神经网络来进行训练,最后用训练好的神经网络对我国上市公司财务状况进行预测.仿真实验表明,该方法克服了普通BP神经网络的缺点,使得网络结构的复杂度降低,同时提...     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果.     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果。     

基于改进粒子群算法的神经网络优化证券投资组合方法

采用人工神经网络对证券投资进行预测与分析的研究过程中,提高神经网络各个节点参数的优化能力是极其关键的。传统的神经网络存在学习速度慢、易陷入局部极小值、预测结果精度较低等缺点,一种改进型粒子群(Improved Particle Swarm Optimizer,IPSO)算法,可以优化BP(Back Propagation)神经网络,并将优化后的BP神经网络应用于优化证券投资组合中。实验结果表明:该研究方法能够在预测精度和稳定性方面明显优于传统的PSO-BP神经网络优化证券投资组合方法。     

空气中PM2.5浓度的灰色预测与关联因素分析

2013年1月开始,国内持续的大范围雾霾天气,将PM2.5问题推向了舆论热潮的顶峰.结合武汉市监测点的数据建立灰色预测GM(1,1)模型,并编写VB程序建立GM(1,1)系统,对未来短期PM2.5浓度变化进行预测,弥补了监测过程中缺失的数据.此外,根据武汉市空气质量监测数据和京津冀、上海、广东及全国其他地区的工业废气、粉尘排放量数据进行灰色关联度分析,得出CO,O3,NH3和NH4NO3与PM2.5浓度的相关性较强,从而为进一步研究PM2.5提供科学依据.     

基于粒子群算法的神经网络在污水处理优化中的应用

在对污水处理模型研究的基础上,建立了神经网络污水处理模型.为进一步提高污水处理效率,降低能源消耗,提出了基于粒子群算法的污水处理神经网络优化模型,并与遗传算法神经网络优化模型进行了仿真及测试比较,结果证明了本文提出方法的优越性及有效性.