基于PSO优化的灰色神经网络预测算法的研究

由于灰色神经网络随机初始化网络的参数在使用灰色神经网络预测模型时,经常会出现在进化过程中陷入局部最优值和预测精度较低等问题.因此,提出采用粒子群优化(PSO)算法优化灰色神经网络的初始参数,建立了基于粒子群优化灰色神经网络的预测模型.使得在预测性能的稳定性上,明显优于单纯使用灰色神经网络模型.通过实验,对比分析了BP神经网络、灰色神经网络和PSO优化的灰色神经网络三种预测模型,结果验证了所提模型的有效性,从而进一步提高了灰色神经网络预测模型的精确度.     

基于灰色关联和混合神经网络的光伏功率预测

为了提升光伏发电功率预测模型的精度和增强其对多变天气的适应能力,提出了采用基于天气预报的灰色关联相似日样本选取与混合神经网络相结合的光伏发电功率预测模型.相似日选取以辐射强度的影响因素为依据,采用晴天理论太阳辐射强度、空气污染指数、云量、湿度4个变量,通过灰色关联选出与预测日较为接近的历史数据构成样本子集.建立混合神经网络,对选出的样本子集进行天气要素扩充并训练模型,代入预测日特征向量完成预测.为检验该模型的精确性和鲁棒性,通过实例与常见BP神经网络模型进行预测结果对比,显示了新模型在光伏发电功率预测的良好应用前景.     

基于PSO的LSTM神经网络门诊量预测研究

研究基于粒子群优化算法的长短期记忆神经网络模型构建方法及其在医院门诊管理中的应用,选取三甲医院中医慢病相关科室门诊量历史记录数据,构建基于长短期记忆神经网络的门诊量预测模型,借助粒子群优化算法对长短期记忆网络进行参数优化,并使用优化后的模型对门诊量进行预测。月度门诊量预测结果表明,经过粒子群优化的长短期记忆神经网络模型在测试集上的预测误差RMSE,相比未优化的模型减小了48.5%。粒子群优化算法能高效地优化预测模型,可使模型较好地预测出门诊量变化趋势,从而为医务人员门诊管理工作提供决策支持。     

基于粒子群优化的神经网络实时交通信号配时

由于人工神经网络具有表征复杂输入输出系统的强大功能,将其用于城市道路交叉口的实时信号配时,是极有应用前景的尝试。文章采用三层人工神经网络建立城市道路交叉口信号配时模型,并把粒子群优化算法作为神经网络的学习算法。该算法具有极高的全局优化形态与计算效率。这种方法建立的模型将有助于降低交叉口的总延误,提高通行能力,使神经网络发挥更好的控制效果。     

基于粒子群算法与循环神经网络的短期电力负荷预测

针对循环神经网络算法在电力负荷预测中存在易陷入局部最小值和全局搜索能力较弱的缺陷,提出了基于粒子群算法和循环神经网络的预测方法|针对标准粒子群算法易因粒子早熟收敛现象而陷于局部最优的缺陷,提出了合理粒距的概念,生成一种改良后的学习方法。采用改良后的粒子群算法对结点权值参数进行寻优,以测量值与预测值的误差作为评价依据,从而实现模型参数的优化选择。最后采用改良后的粒子群算法和循环神经网络预测模型对短期电力负荷进行预测,并与标准粒子群算法循环神经网络预测模型和循环神经网络预测模型对比。实际算例比较表明,这种预测方法具有良好的收敛特性和较高的预测准确度。     

基于PSO优化的神经网络在边坡稳定性评价中的应用

本文首先介绍基于PSO优化的BP神经网络算法;并在此基础上,考虑影响边坡稳定性分析的包括岩石容重、粘聚力、内摩擦角、边坡角、边坡高度、空隙水压力等各种自然因素,以文献中土质边坡工程的数据为例,用基于PSO优化的BP神经网络算法对边坡稳定性进行评价。最后将评价结果与传统BP方法计算结果进行逐一对比,结果证明该方法不仅能满足边坡稳定性评价的精度要求,而且还可以加快训练收敛速度,其泛化性能也比较好,使得边坡稳定性评价更为便捷迅速,从而证明该方法具有一定的推广应用价值。     

神经网络与若干智能方法的融合研究

人工神经网络作为人工智能领域中的一个重要分支,一直以来都是人们的研究热点。介绍了人工神经网络技术与几种智能方法融合的应用发展,归纳了BP神经网络学习算法的基本思想,着重论述了目前有关神经网络融合方面的研究热点,即神经网络与专家系统、模糊逻辑、压缩映射遗传算法、粒子群优化算法的融合思想与方法。     

改进粒子群BP神经网络在高炉炉温预测中的应用

由于BP网络存在学习效率低、收敛速度慢、易陷入局部极小状态、适应能力较差等缺点,而粒子群优化（PSO）算法的收敛速度快（尤其是在进化初始阶段）,运算简单、易于实现,又没有遗传算法的编解码和杂交、变异等复杂运算,因此是一种很好的优化算法。但是,PSO算法也存在不足,该算法进化后期存在速度变慢以及早熟的现象。提出一种改进的粒子群BP神经网络对高炉炉温进行预测。通过调整粒子群算法中学习因子的自适应能力,提高算法的收敛速度和搜索全局最优的能力。通过仿真结果说明改进的粒子群算法要优于BP算法和标准的粒子群算法。     

基于粒子群优化BP神经网络的新冠肺炎疫情预测

针对传统指数平滑时间序列模型预测精度不足及传统BP神经网络在训练过程中易陷入局部最优的问题,通过粒子群算法优化BP神经网络,对美国明尼苏达州2021年7月11日至8月25日新冠肺炎累计死亡和累计确诊人数进行时间序列预测,并与传统双指数平滑模型(Holt)、BP神经网络模型进行比较分析.实验结果显示,PSO-BP模型的预...     

基于 EMD-PSO-ELM 算法的大坝变形预测研究

基于极限学习机（ELM）构建的大坝变形预测模型易受连接权值、隐含层阈值及隐含层节点数影响,为获取更优的形变预测值,并改善模型预测可靠性,构建一种基于 EMD-PSO-ELM 算法,考虑时效、温度、水位等多因素的大坝变形预测模型。该模型首先从时频分析出发,利用经验模态分解（EMD）将变形时间序列分解成具有不同频率特征的分量|然后利用 PSO-ELM 模型解求形变预测值,重构获得大坝形变趋势。实验结果表明,融合时效、温度、水位等多因素的 EMD-PSO-ELM 大坝变形预测模型残差均方根误差为 1.83mm,平均绝对误差为 1.57mm,平均绝对百分比误差为 1.79%,比 ELM 模型与 EMD-ELM 模型相关误差值更小,在大坝变形预测方面性能更优。     

基于粒子群算法的BP神经网络优化在电站锅炉燃烧中应用研究

用BP神经网络对电站锅炉运行数据进行训练、测试,并在此基础上使用粒子群算法对已建立的锅炉BP神经网络模型做进一步优化。通过对网络预测输出值与实际值之间的比较,明确PSOBP可以更好地提升BP神经网络的泛化能力。     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

基于LM—BP神经网络的GDP预测模型及其应用

讨论了基于Levenberg—Marquardt（LM）算法的BP神经网络及其GDP预测的应用。LM算法利用误差函数二阶导数信息,对高斯一牛顿法的优化,相对传统的负梯度法而言,其收敛速度更快。最后以贺州市GDP为例,就预测的效率和精确度来说,LM—BP网络预测GDP的速度和精度明显优于标准的BP算法网络。     

SAPSO-BP算法在异步电机故障诊断中的应用

为了提高异步电机故障诊断的准确性,引入了一种基于模拟退火粒子群算法优化BP神经网络(SAPSO-BP算法)的故障诊断方法.根据电机转子振动频谱中所提取的特征参数与故障类型之间的关系数据,利用模拟退火粒子群算法来优化BP神经网络的权、阈值参数,再由优化好的BP网络进行故障诊断.实验结果表明,该方法具有较好的故障模式的识别效果,明显提高了异步电机故障诊断的准确性.     

基于PSO优化的BP神经网络在洪水预报中的应用

针对BP神经网络的不足,采用PSO算法对BP神经网络进行优化,建立一个混合的神经网络洪水预测模型。实验仿真结果表明,该模型的预测效果优于传统的洪水预测模型。     

BP神经网络的改进及其在股票预测中的应用

研究了BP神经网络,对BP算法的权值初始化进行改进,使得其收敛速度更快,并建立了基于BP神经网络的股价预测模型．最后以深发展A的收盘价为例,分析改进后NBP神经网络模型的预测效果．     

模拟退火改进粒子群优化算法求解优化问题

针对粒子群优化算法后期易陷于局部最小的缺点,引入模拟退火思想,建立模拟退火—粒子群优化算法。通过求解函数优化问题对比实验,表明改进后的粒子群优化算法增强全局寻优能力,搜索成功率大为提高。