共查询到20条相似文献,搜索用时 171 毫秒
1.
针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。 相似文献
2.
针对标准微粒群优化算法(PSO)存在早熟收敛和搜索精度低等缺陷,对其惯性权重因子进行改进,并将非均匀变异机制引入PSO,即在算法进行搜索时以一定变异概率对选中的粒子进行变异操作,同时对飞离搜索区域的粒子用新产生的粒子取代,由此得到改进的微粒群优化算法(IPSO)。然后将IPSO用于优化BP神经网络的连接权重和阈值,分析和建立变形监测数据处理的群集智能模型(IPSO-BP),为了进行比较,同时建立了回归分析模型、标准PSO-BP模型,并将3种模型分别应用于某大坝水平位移数据的分析预测,结果表明,IPSO-BP模型收敛速度更快、预报精度更高,是一种新的且有效、可靠的变形数据处理方法。 相似文献
3.
针对光伏充气膜温室自跟踪发电系统提出了一种加入天气预报信息的自适应变异粒子群神经网络的发电量预测算法.首先结合历史发电量数据和气象数据分析了影响光伏充气膜温室自跟踪发电系统发电量的主要因素,建立了加入天气预报的神经网络预测模型,并针对传统神经网络预测模型中基于梯度下降的BP算法收敛慢、易陷入局部最优、训练难收敛等问题,通过自适应变异粒子群算法改进了神经网络.该算法通过将变异环节引入粒子群优化算法,进行隔代进化找到局部最优解.实验结果表明所采用的自适应变异粒子群的神经网络预测算法的全局收敛性能得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题. 相似文献
4.
针对传统的土壤墒情预测方法精度较低、训练周期长的问题,本文对BP神经网络预测模型进行研究,提出一种改进樽海鞘算法优化BP神经网络的预测方法。首先,在标准樽海鞘群算法(Salp Swarm Algorithm, SSA)中引入变异算子增强种群的多样性,提高算法的全局探索能力;同时,采用动态权重调整策略增强局部开发性能,改善收敛速度,在位置更新过程中加入动态权重,进一步平衡全局探索和局部开发能力;其次,考虑到BP预测网络收敛精度低、易陷入局部最优等缺点,将改进樽海鞘算法引入到BP中形成ASSA-BP的预测模型算法,该算法缩短了训练时间、提高了预测精度。最后,将ASSA-BP与PSO-BP、BP不同预测模型进行对比,结果表明ASSA-BP的最优预测相对误差平均值3.37%,绝对误差平均值0.025 8,比BP模型预测误差有所下降。克服了BP预测模型收敛精度低、易陷入局部最优的缺点,具有更好的鲁棒性和预测精度。 相似文献
5.
针对传统PSO算法易陷入局部极值的缺点,提出了一种改进的粒子群算法(ADAPPSO)。该算法通过利用表现为非线性递减特性的自适应惯性权重来有效减少PSO算法在运算过程中出现局部极值的情况。利用ADAPPSO算法对BP神经网络所涉及的一系列参数进行优化,并在此基础上建立ADAPPSO-BP模型对参考作物腾发量(ET_0)进行预测。以商丘地区数据为例,通过平均影响值法(MIV)对变量进行筛选,并在此基础上建立了BP神经网络、PSO-BP和ADAPPSO-BP 3种预测模型。根据相关实验结果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的决定系数R~2分别为0.898 3、0.952 7和0.960 6,3种模型的平均绝对误差MAE分别为0.355 8、0.240 1和0.205 6。3种模型中,ADAPPSO-BP模型的R~2值最大,MAE最小,这表明提出的ADAPPSO-BP模型能够有效地提高ET_0的预测能力。 相似文献
6.
基于改进BP神经网络的农业机械数据预测研究 总被引:1,自引:0,他引:1
为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。 相似文献
7.
8.
基于小波神经网络的切削刀具磨损识别 总被引:1,自引:1,他引:0
提出了一种基于小波神经网络的切削刀具状态监测方法,在采集切削加工功率信号的基础上,利用小波分解方法提取反映刀具磨损状态的信号特征量,利用小波神经网络的非线性模型和学习机制,实现刀具磨损状态的在线监测;针对多输入输出问题带来的网络规模大、收敛速度慢等问题,提出应用粒子群算法优化小波神经网络的方法,从而简化小波神经网络结构并加快收敛速度.仿真和应用实例证明,该方法比传统的基于BP的小波神经网络、GA优化的小波神经网络估计准确率高,消耗时间短. 相似文献
9.
10.
为了研究坡面产流量与各影响因子间定量关系,分析野外多尺度人工径流小区实测数据,采用人工神经网络及粒子群算法,建立了坡面产流量预测模型,产流量与坡长、坡宽、坡度、前期土壤含水量间可采用二次抛物线关系进行描述,与植被覆盖度、降雨量间分别采用幂函数和线性函数进行描述.另外采用加权相对差距和法确定了产流量BP神经网络模型最优拓扑结构及网络参数,建立了产流量BP神经网络模型,该模型模拟值与实测相对误差在±20%以内,预测精度较高.同时基于产流量与各单因子定量关系,建立了产流量经验模型,采用粒子群算法推求了模型未知参数,该经验模型相对误差主要在±30%以内,其精度略逊于BP神经网络模型. 相似文献
11.
蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统,凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题,本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子,在布谷鸟搜索算法优化神经网络(CS-BP)预测模型的基础上,构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络(GA-BP)、粒子群算法优化BP神经网络(PSO-BP)3种深度学习方法进行性能参数分析比对,结果表明:改进CS-BP评价预测模型的平均绝对误差(MAE)、平均相对误差(MAPE)和决定系数(R2)分别为0.0865、0.0159和0.8569,其各项指标性能均优于上述3种对比模型,该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试,其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价,对实现蛋鸡生产环境的最优控制,促进蛋鸡生产性能的提升具有重要意义。 相似文献
12.
13.
采用模拟退火算法,并融合了遗传算法的杂交和变异思想,对粒子群进行寻优运算,利用优化后的SA-PSO对BP神经网络权值和阈值进行优化.通过对拖拉机变速箱的齿轮故障进行诊断,结果表明,该方法解决了基本粒子群算法迭代速度慢容易陷入早熟问题;同时克服了传统BP算法容易陷入局部最小问题.与传统BP算法和Elman算法比较,在网络性能、收敛速度方面均优于前者,可以推广应用到其他故障模式和特征量之间具有非线性关系的故障诊断领域. 相似文献
14.
土壤水分特征曲线是研究土壤水分运动的重要参数,Van Genuchten方程是目前广泛应用的土壤水分特征曲线方程。由于该方程参数较多,人工调节参数繁琐复杂,应用优化算法实现参数自动调节成为首选。分别采用遗传算法(GA)、粒子群算法(PSO)和改进粒子群算法(CMOPSO)对方程进行参数寻优,对比3种算法的收敛速度、所需迭代次数和算法稳定性。结果表明:3种算法的参数模拟精度均较好;改进粒子群算法的全局搜索能力和收敛速度优于遗传算法与粒子群算法,且所需迭代次数最少,适合VG方程的参数寻优。 相似文献
15.
《节水灌溉》2017,(9)
地下水位埋深预测是有效实施节水措施、合理控制地下水位的前提与保证。鉴于地下水位埋深与引水量、降水量、蒸发量、排水量、地下水开采量等因素之间存在复杂的非线性关系,提出了基于改进遗传算法的BP神经网络模型用于地下水位埋深预测,弥补了BP神经网络本身易陷入局部最优值的缺陷;同时在遗传算法中改进了自适应交叉、变异概率算法,提高了神经网络的逼近能力和预测精度,并采用了Matlab软件实现了BP神经网络编程。通过不同模型在河套灌区解放闸灌域2000-2013年地下水位埋深模拟与预测,结果表明改进遗传算法优化的BP神经网络模型具有较高的预测精度和收敛速度,在其他地区地下水位埋深预测中也具有较好的适应性。 相似文献
16.
一种水稻田稻飞虱图像识别的混合算法 总被引:1,自引:0,他引:1
BP神经网络方法和粒子群(PSO)方法较常用于稻飞虱图像处理。但是,BP算法容易陷入局部极值且收敛速度缓慢;PSO方法容易实现,而其参数较难合理设置。为此,提出一种基于BP和PSO的混合型算法,应用于稻飞虱图像的识别。算法利用PSO方法来优化BP网络权值,提高训练性能。为了避免PSO方法参数难以设定的缺点,采用了基于均匀设计的算法来设定PSO参数。同时,在稻飞虱图像预处理的关键环节,采用HLS模型实现图像的灰度转换。实验结果表明:与BP算法和PSO算法相比,BP-PSO混合算法识别率明显提高,平均正确识别率达到97%,训练时间降到1s以内,满足算法的实时性要求。 相似文献
17.
18.
对称结构Stewart机构位置正解的改进粒子群算法 总被引:6,自引:0,他引:6
根据杆长约束条件,建立了求6-DOF对称结构Stewart并联机器人机构位置正解的无约束优化模型.针对标准粒子群算法容易陷入局部极值、进化后期收敛速度慢等缺点,提出了一种基于差异度评价指标的改进粒子群算法--自适应变异粒子群算法.为克服随机算法不易求出并联机构全部位置正解的缺点,采用分层搜索自适应变异粒子群算法求并联机构位置正解中的优化问题.数值实例表明,对于对称结构Stewart并联机器人机构位置正解问题,改进粒子群算法能求出全部装配构型,且收敛速度较快、精度较高. 相似文献
19.
为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果. 相似文献