基于改进粒子群算法的神经网络在月降水预报中应用

针对粒子群算法易陷入局部最优和寻优精度比较低等缺点,提出一种基于随机惯性权重和异步变化策略的学习因子的粒子群算法优化神经网络连接权重和阈值,并以此建立月降水预报建模研究.以广西桂北地区的月降水量实例分析,并与标准粒子群优化神经网络模型、随机权重的粒子群神经网络模型和神经网络模型对比,结果表明,该方法学习能力强和预测精度高,是一种有效的建模预报方法.     

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。     

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。     

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。     

神奇的卫星导航

古往今来,人们在生产和生活中发明了很多的导航方法。从最初的依靠太阳、树木、北斗星、指南针等发展到现在的天文导航、无线电导航……现在,我们所用的最新的导航方式是卫星导航。     

水库入库水量分级预报的神经网络建模及应用

本文把人工神经网络方法应用于径流预报,建立了入库水量分级预报的神经网络模型,其有效性在实例中得到了验证.     

基于自适应粒子群优化BP神经网络的高速电主轴温度预测模型（英文）

为精确地预测电主轴高速运转时内部温升的变化情况,提出了一种基于自适应粒子群优化BP神经网络的电主轴温度预测模型(APSO-BPNN).该模型在PSO-BPNN算法的基础上,引入自适应惯性权重,使权重跟随粒子适应度的变化而变化;采用自适应学习因子,在算法的初期和后期获得不同的搜索能力;融入变异算子,增加种群的多样性,避免算法的早熟收敛等缺点.然后,分别采用BPNN、PSO-BPNN和APSO-BPNN预测模型对电主轴不同测温点的温度进行预测.实验结果表明,与传统的BP神经网络和PSO-BPNN预测方法相比,所提APSO-BPNN模型预测精度最高,鲁棒性最强,可为电主轴及机床温升的智能控制和早期预警系统开发提供理论依据.     

基于萤火虫——粒子群优化BP神经网络的变压器故障诊断研究

针对目前电力变压器故障诊断方法中存在的问题与不足,构建一种基于萤火虫—粒子群混合算法和改进BP算法的电力变压器BP神经网络故障诊断模型。采取萤火虫—粒子群混合算法优化BP神经网络结构初始参数,利用改进BP算法和电力变压器故障样本数据训练BP神经网络。通过对250组训练样本和50组测试样本的仿真分析,该故障诊断方法能有效快速识别变压器故障类别,准确迅速地诊断故障。实验结果证明所建立的变压器故障诊断BP神经网络模型具有可靠的故障预测效果。     

智能优化算法优化BP神经网络的函数逼近能力研究

在工程应用中经常遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法精确建模。BP神经网络可以描述这些非线性系统的输入输出映射关系,但其自身也存在较明显的缺陷。应用遗传算法和粒子群算法对BP神经网络进行优化,可弥补BP神经网络寻优时的缺陷。通过实例比较分析,两种优化算法有效提高了拟合精度。     

水文预报的时间序列神经网络模型

时间序列分析在水文预报中起重要作用 ,其关键是要建立一个合适的预报模型 .文章提出基于 BP算法的单输出和多输出水文预报时间序列神经网络模型 ,克服了以往多种基于随机分析预报模型的缺点 ,不仅能实现快速灵活的信息处理 ,而且具有很强的非线性映射和自学习、自适应能力 ,这为更精确描述复杂非线性水文过程提供了可能 .通过对历史数据的学习 ,模型可对水文径流量时间序列进行预报 ,两个实例分析表明模型的可行性和有效性     

基于改进BP神经网络的网络入侵检测研究

随着互联网的快速发展,网络安全问题日益突出,入侵检测方法研究变得愈发重要.为提高网络入侵检测能力,首先对传统BP算法进行优化,然后对KDD99数据集进行了数据的预处理和特征选择,设计了优化的BP神经网络模型,最后进行了仿真实验.结果表明:相较于传统BP算法模型准确率提高了12.12%,达到96.64%,误检率降低至3.65%,模型的收敛性和稳定性都有所提高,达到了预期效果.     

改进的BP神经网络预测高校毕业生就业能力

针对传统BP算法的神经网络收敛较慢的缺点,提出基于L-M(Levenberg-Marquard)算法的神经网络对影响高校毕业生就业能力的各项因素进行分析的模型,以预测高校毕业生的就业能力存在的不足.因素量化采用模糊数学中的格贴近度和专家打分的方法.仿真结果表明:系统模型缩短了训练时间,具有较高的准确性,预测值与实际值的误差很小,可以将此模型应用于对高校毕业生就业能力的预测.     

基于改进的径向基函数神经网络水泥强度预测方法

通过将遗传算法应用于径向基函数神经网络参数设计中,提出一种基于遗传算法优化的径向基函数神经网络水泥强度值预测模型,实现径向基函数神经网络隐层节点函数的中心矢量、基宽向量和隐层与输出层之间权值的优化设计.以经归一化处理后的输入样本数据为模型输入,以水泥28 d强度值为模型输出,建立经遗传算法优化后的径向基函数神经网络预测模型.仿真结果表明,优化后的径向基函数神经网络能达到较高的预测精度,可用于水泥强度的预测.     

基于Elman神经网络的空调负荷预测研究

为了更准确对空调系统负荷进行预测,文章在介绍Elman神经网络原理的基础上,对应用在处理动态数据模型上具有优越性的Elman回归型神经网络建立负荷预测模型,讨论了负荷预测模型中隐层神经元数目的选取,并对空调负荷值进行预测.同时也对静态前馈型BP神经网络进行建模和预测,比较两种预测结果,分析其误差,证明了Elman网络在动态预测实验中与BP网络相比较的优势.     

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.     

基于改进BP神经网络的DDoS检测模型研究

分布式拒绝服务(DDoS)攻击是当今最流行的网络攻击之一,对该攻击的检测是当前网络安全研究领域中的难点.文章在系统分析比较国内外DDoS攻击检测理论和方法的基础上,根据DDoS攻击时数据包的特性,运用改进BP神经网络理论和方法建立了DDoS检测模型.该方案所采用的技术,实现简单,代价小,具有很好的实际应用前景.     

改进RBF神经网络对液压AGC系统的预测控制

针对传统预测控制基于线性预测模型的弊端,通过改进RBF神经网络结构构建预测模型,解决对象非线性及时变问题,并给出控制率的具体推导过程.以轧机液压厚度自控(AGC)系统为对象进行仿真实验,结果表明:改进RBF预测控制器性能更优.     

基于改进RBF神经网络的电机故障诊断方法研究

考虑到RBF神经网络隐层高斯径向基函数的参数较难确定,电机故障的多样性和复杂性,传感器获得信息的不确定性,以及高斯径向基函数与正态云具有相似之处,将云模型和RBF神经网络相结合用于诊断电机故障.通过高维云变换确定RBF隐含层神经元数,优化RBF神经网络结构.最后提取信号的奇异值熵和样本熵作为特征参数,输入改进的RBF神经网络,进行实验仿真.结果表明,新模型能较好地实现对电机轴承的故障诊断.     

BP神经网络在数据预测中的应用

数据预测是在分析现有数据的基础上来估算推测未来数据的过程。首先介绍了预测的重要性及常用方法,接着介绍了BP神经网络的原理以及结构,最后进行了BP网络预测方法应用,并在Matlab中进行了仿真。经实验验证,该方法可以获得较好的预测效果。     

基于GA-BP神经网络的手足口病疫情预测

影响手足口病疫情的气象因素众多、变量关系复杂,采用主成分分析法降低气象影响因子的维度,然后基于遗传算法BP神经网络建立手足口病疫情预测模型。以衡阳市手足口病为例,开展手足口病的疾病发病率预测研究。结果表明,模型预测的发病率与衡阳市实际手足口病发病率吻合良好,可作为手足口病疫情预测的一种有效方法。