一种新的自适应混沌粒子群算法

提出了一种新的自适应混沌粒子群算法。在标准粒子群算法中引入An混沌映射,以特殊的方式,利用An混沌映射来初始化粒子的位置和速度,并且每隔一定的代数就用An混沌扰动部分粒子的位置和速度。数值仿真的结果表明,该算法的收敛性和全局搜索能力得到提高,能有效避免早熟收敛。     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

基于改进的粒子群算法优化LSSVM股价预测研究

为了提高股票价格的预测精度,针对股票价格数据的非平稳非线性的特性,本文运用改进的PSO实现LSSVM的核参数和惩罚系数自适应选择,提出一种SAPSO优化LSSVM股价预测模型,并以此进行实证分析。通过基于SAPSO-LSSVM算法的1步、3步、5步和7步预测结果和不同模型的预测时间和预测均方误差的对比结果可知, SAPSO-LSSVM股价预测模型具有预测精度高,预测时间短的优点,同时能够实现预测参数的自适应选择。     

基于神经网络的水产养殖水质预测模型研究

水产养殖池塘是一个多变量、非线性和大时延系统,很难用传统方法建立水质预测的精确模型.神经网络具有良好的非线性函数逼近能力,非常适合处理水质预测等复杂问题.利用BP神经网络模型,通过自适应的动态学习方法和模型优化,采用MATLAB神经网络工具箱建立了水产养殖水环境因子pH值预测模型.在预测模型中输入测试样本,将预测结果与实测值进行比较,平均相对误差小于1％.结果表明,所构建的基于自适应BP算法的水产养殖水质预测模型具有良好的精确性和准确性,能有效地预测养殖池塘的水质状况.     

一种改进的变权科莫多优化算法及其应用

针对科莫多算法(KMA)在求解复杂函数和高维情况下容易出现早熟收敛的问题,提出了一种改进的变权科莫多优化算法(VWCKMA)。首先利用Tent混沌映射产生的序列对科莫多个体位置进行位置初始化,为全局搜索的多样性奠定基础。然后提出可变惯性权重,分别对不同社会等级的科莫多个体的运动进行不同控制,较好地提高了收敛速度。最后利用Tent混沌映射进行局部扰动,使其能够进行更加精确的局部搜索,避免局部最优值。仿真实验表明,在单峰函数和多峰函数求解的标准差和均值中,VWCKMA在收敛精度和收敛速度方面均有很大的提高。针对实际空气污染物PM_2.5预测非线性的问题,利用VWCKMA对BP神经网络的权值和阈值进行迭代寻优,基于最优参数的条件下使用BP神经网络对PM_2.5进行预测。实验结果表明预测准确率为85.085%,相比单一BP神经网络预测准确率提高19.85个百分点,体现VWCKMA具有一定的实践应用价值。     

结合混沌搜索的自适应混沌粒子群算法

针对基于群体适应度方差的自适应混沌粒子群算法存在的局部搜索能力较弱的不足,在该算法中引入了混沌变异以及混沌搜索操作。使用An混沌映射对部分粒子进行混沌变异,对全局最优粒子进行混沌搜索,提出了一种综合考虑粒子位置、寻优空间的自适应变尺度规则。数值仿真结果表明,改进算法的收敛性、全局和局部搜索能力都有所提高,能有效避免早熟收敛。     

基于改进SSA-BP神经网络的复烤水分和温度预测

为解决烟叶复烤中加工一致性问题,为复烤工艺参数设置提供依据,本文针对工艺参数建立了BP神经网络模型对烟叶的水分以及温度进行预测.提出了采用Tent混沌映射改进的麻雀搜索算法(SSA)优化神经网络,提升模型的各方面性能.最后以麒麟复烤厂某个批次烟叶复烤加工的数据进行实验验证,并与未优化的BP模型、未改进的SSA-BP模型...     

基于神经网络的土壤重金属预测模型研究

土壤中重金属含量变化具有非线性、大延时等特点,很难用传统方法建立土壤重金属预测的精确模型。BP神经网络具有良好的非线性函数逼近能力,非常适合处理土壤预测等复杂问题。利用神经网络模型,通过自适应的动态学习方法和模型优化,采用MATLAB神经网络工具箱建立了土壤重金属预测模型。在预测模型中输入测试样本,将预测结果与实测值进行比较,平均相对误差小于1%。结果表明,所构建的基于BP神经网络的土壤重金属预测模型具有良好的精确性和准确性,能有效预测土壤中重金属的状况。     

基于人工神经网络的粮食产量预测模型

研究了人工神经网络在经济预测中的应用问题,探讨利用人工神经网络进行农业粮食产量预测的方法。提出一种基于多层前馈BP神经网络的农业粮食产量预测模型,可以得到影响粮食产量的主要因子和粮食产量之间的非线性映射关系。并通过实例验证了神经网络模型的预测精度明显高于线性回归模型的预测精度。     

基于改进的Bernoulli矩阵压缩感知图像重构算法

为克服传统测量矩阵稳定性差的弱点,本文利用Logistic混沌序列优良的随机性质,对Bernoulli测量矩阵进行改进,提出一种复杂度很低的混沌Bernoulli测量矩阵。通过Logistic混沌系统产生混沌序列,之后运用符号函数进行映射生成Bernoulli分布的随机矩阵,将该序列用来构造测量矩阵。实验结果表明,基于Bernoulli测量矩阵图像重构的信噪比优于Bernoulli矩阵和Gaussion矩阵,从而证明该算法的可靠性和有效性。     

基于神经网络模型的空燃比非线性模型预测控制

采用基于径向基神经网络（RBFNN）模型的非线性模型预测控制方法,被控对象选择火花塞点火（SI）发动机的空燃比（AFR）高度非线性复杂系统,利用渐消记忆最小二乘法实现基于RBFNN的SI发动机AFR系统建模以及参数在线自适应更新。针对非线性模型预测控制中寻优问题,运用序列二次规划滤子算法对最优控制序列进行求解,并加入滤子技术避免了罚函数的使用。在相同的实验环境下,与PI控制算法和Volterra模型预测控制方法进行仿真对比实验,结果表明,所提算法的控制效果明显优于其他两种方法。     

Logistic方程统计建模及对红松单木生长的拟合

以多元统计分析原理与方法为工具,对Logistic方程进行建模,同时对初始预测值进行了加权修正,进一步完善了Logistic模型的拟合曲线,指出了以往对于初始预测值认识上的不足.而改进后的初始预测值会优化系统预测.本研究方法与以往的拟合方法相比,其优点是避免了某一个初始值对整个预测系统的影响,并把这种方法应用于红松单木...     

El nino chaos: overlapping of resonances between the seasonal cycle and the pacific ocean-atmosphere oscillator

The El Ni?o-Southern Oscillation (ENSO) cycle is modeled as a low-order chaotic process driven by the seasonal cycle. A simple model suggests that the equatorial Pacific ocean-atmosphere oscillator can go into nonlinear resonance with the seasonal cycle and that with strong enough coupling between the ocean and the atmosphere, the system may become chaotic as a result of irregular jumping of the ocean-atmosphere system among different nonlinear resonances. An analysis of a time series from an ENSO prediction model is consistent with the low-order chaos mechanism.     

脐橙糖度近红外光谱在线检测的建模变量优选

【目的】采用小波压缩结合遗传算法,优选脐橙糖度近红外光谱在线检测的建模变量,提高在线检测精度。【方法】利用近红外光谱检测装置采集脐橙样品的光谱,并将其转换为反射比光谱,在700.28～933.79 nm波段,利用小波变换将一阶微分处理后的近红外反射比光谱变量压缩成小波系数变量。经遗传算法优选后,建立偏最小二乘法（PLS）模型,并对该模型的预测结果进行评价。【结果】利用小波压缩结合遗传算法优选变量建立的脐橙糖度PLS模型,预测效果最优,模型的相关系数为0.759,模型预测均方根误差为0.468 °Brix。【结论】采用小波压缩结合遗传算法对变量进行优选,可提高脐橙糖度近红外光谱在线检测的精度。     

混凝土强度预测的混沌优化神经网络模型

BP神经网络方法由于综合考虑了高强度、高性能混凝土强度的各种影响因素，能够实现非线性关系，可以用于混凝土强度预测上。为克服传统BP网络收敛速度慢、易出现麻痹现象等不足，本文采用自适应变步长(ABPM)算法来改进的BP神经网络，提出了基于混沌优化的自适应变步长(ABPM)神经网络模型，并将其预测结果和训练效率进行了分析。该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明，混沌优化的ABPM神经网络用于混凝土强度的预测，方法简单可行，搜索速度快，预测结果可靠、精度高。     

具有参数激励约简的扰动KdV方程的混沌行为

研究了具有参数激励约简的扰动KdV方程的混沌动力学行为.利用改进的Melnikov方法分析了由于同宿轨道的横截相交而产生的混沌行为.对周期外激励、周期线性参数激励和周期非线性参数激励下的扰动KdV方程的混沌行为进行了比较,发现划分混沌区与非混沌区的临界曲线是互不相同的.尤其是对非线性参数激励系统,存在"死频率".当这类系统受到该频率激励时,不论激励的振幅多大,混沌也不会发生.用时间积分法对上述系统进行了数值计算,结果与理论分析一致.     

多变量混沌时序正则化局部线性预测

为了克服多变量混沌时序局部线性预测模型中利用最小二乘法确定参数时会产生多重共线性的缺陷,提出了基于正则化回归的多变量混沌时序局部线性预测模型。该预测模型是在一般的多变量混沌时序局部线性预测模型中对最小二乘法进行改进,引入正则化估计,利用正则化回归法对模型参数进行估计。实证研究结果显示,模型比改进前有更好的预测精度和抗噪能力。     

面向多模态函数的自适应混沌爬山微粒群算法

针对微粒群算法在多模态函数优化中难以找到全部极值点以及陷入局部最优和后期收敛速度慢等缺陷,提出了一种基于熵的自适应混沌爬山微粒群算法.算法根据熵的值来衡量种群多样性,当发现种群多样性匮乏时,采用动态混沌机制增强多样性;后期融入了局部收敛速度较快的爬山算法提高微粒群算法的后期收敛速度.4种典型多模态函数测试结果表明该算法在求解复杂多模态函数优化问题方面的可行性。     

热压混合材料板力学特性PSO-SVR模型预测

精确、快速预测热压过程混合材料板力学特性,可降低生产成本,提高资源利用率。文章以热压过程为研究对象,提出基于粒子群算法(Particle Swarm Optimization,PSO)优化支持向量机回归(Support Vector Regression,SVR)模型。通过正交试验设计,结合混合材料板性能测试数据,以热压压力、热压温度、含水率、热压时间为自变量,预测混合材料板静曲强度、弹性模量、内结合强度。对比分析PSO-SVR与SVR预测结果,结果表明,PSO-SVR预测模型可明确热压参数与混合材料板力学特性间非线性关系,根据自变量预测混合材料板力学特性。与SVR相比,PSO-SVR算法模型具有鲁棒性强、精确度高、泛化能力强等优点。研究结果可为混合材料板力学特性预测及热压控制参数选择提供参考。