基于粒子群优化的RBF网络预测GDP

国内生产总值(GDP)是了解经济运行状况,制定经济发展战略,以及各种宏观经济政策的重要依据。准确预测GDP,分析经济发展趋势,对实现经济宏观决策具有实际意义。本文提出一种基于粒子群算法对RBF网络参数优化预测的方法,建立PSO-RBF预测模型,分析和确定相关影响因素,采用回归预测方法。仿真实验表明,经过粒子群优化的RBF模型能较好地反映GDP的发展趋势,PSO-RBF模型预测优于单一的RBF网络的预测结果。     

基于PSO-BP的语音增强方法研究

针对一些常用语音增强方法的特点和不足,本文提出将改进粒子群优化BP网络算法用于语音增强。仿真结果表明,此种方法可以极大地提升带噪语音信号的信噪比,效果显著。     

基于烟花算法的BP神经网络预测含根土抗剪强度

为了解决BP神经网络在对含根土抗剪强度的预测中存在的预测精度低，计算收敛速度较慢，容易陷入局部极值等问题，本研究通过直剪试验、团聚试验、根系分形分析试验等探究了不同因素对含根土抗剪强度的影响，并对各因素进行相关性分析，从中选取了大团聚体含量（R0.25）、平均重量直径（MWD）、几何平均直径（GMD）、土壤分形维数（Dd）、根表面积、平均直径6个影响含根土抗剪强度的因素作为模型输入层节点，含根土的抗剪强度作为输出层节点。参考FangfaGorman理论公式、Kolmogorov理论公式以及一种经验公式分别计算，并对结果进行讨论，确定了本研究中神经网络的最佳隐含层节点数量为13。建立6∶13∶1的BP神经网络模型，并引入了烟花算法（FWA）对BP神经网络进行优化。结果显示，BP神经网络、粒子群算法（PSO）优化的BP神经网络、FWA-BP神经网络的预测值与期望值的最大相对误差分别为11.12%、9.06%、7.44%，平均相对误差分别为4.60%、3.24%、1.96%，相较于BP神经网络和PSO-BP神经网络，FWA-BP神经网络预测误差值有明显降低；对比引入的统计参数，均方根误差（R...     

BP神经网络在煤相预测分析中的应用

应用煤相分析完成煤层气潜力评价和生气有利带预测已成为煤层气勘探开发中十分重要的方法 ,然而复杂多样的成煤环境导致不同的层位(纵向上)和不同地区(平面上)的煤相特征存在明显差异,使用传统方法很难实现快速准确的煤相描述,本文采用BP神经网络的方法,利用其较强的自适应非线性学习能力,建立了煤相神经网络模型,并进行了网络训练及预测。结果表明,BP神经网络预测值与实际值非常吻合,从而为煤相研究提供了一种高效准确的方法。     

基于粒子群算法的成组维修策略

为解决现场作业调度问题以及向维修计划的制定者提供决策支持和信息支持,本文通过综合的考虑生产准备成本和偏离最优执行时间的惩罚成本,并以故障分布形式为威布尔分布的设备为例,建立了成组维修模型的相关关系式,给出了有限期设备成组维修策略的模型,并用粒子群算法进行优化。计算结果显示,粒子群算法能以极快的收敛速度达到全局最优,具有较高的计算速度。用粒子群算法根据成组维修理论进行计算,可以准确的分组及确定维修时间。     

基于机器视觉的柑桔苗品种识别方法

本文基于粒子群优化后的支持向量机技术,通过MATLAB R2017b平台提取柑桔叶片的形态、颜色、纹理等8个特征参数,建立了可以对大雅柑、爱媛38号和晚熟血橙进行分类的模型。该模型的识别准确率为93.33%,预测一份样本的时间约为0.514 s。试验结果表明,该模型能够快速准确地对各类柑桔叶片进行分类,为柑桔分类机的研究提供了决策依据。     

基于神经网络的电动黄油枪运行参数的预测

本文首先介绍了神经网络预测控制模型,然后建立BP网络预测模型并运用Matlab编程语言,对黄油枪的运行参数进行预测。预测用的学习样本和测试数据都是实际测量数据,经过BP网络训练与测试达到了相应的要求。从测试结果看,采用输入参数正常的数据所得到的预测误差很小,而采用异常输入数据则产生了较大的预测误差。说明该网络预测模型有较高的准确性,能够预测出产品的异常运行参数,为产品的质量控制提供可靠依据。     

基于遗传算法和BP神经网络的PID控制方法的交流伺服系统研究

BP网络模型己成为神经网络的重要模型之一,在很多领域得到了应用,但它也存在一些不足。如从数学上看,它是一个非线性优化问题,这就不可避免地存在局部极小点问题;BP网络学习算法收敛速度较慢,且收敛速度与初始权值的选择有关;网络的结构设计,即隐层及节点数的选择尚无理论直到,而是根据经验选取。本文针对BP算法局部极值的缺点,考虑将遗传算法和BP算法结合,进行对BP神经网络进行优化。用遗传算法优化神经网络,主要包括三个方面:连接权的进化、网络结构的进化,学习规则的进化。     

基于PCA-BP神经网络的羊肉价格预测研究

价格波动受到多种因素的影响,准确的价格预测对市场稳定具有重要的作用。为了更好地服务于市场经济,笔者选取苏尼特羊为研究对象,提出了基于PCA和BP神经网络结合的价格预测方法,首先对影响羊肉价格的指标数据进行PCA降维,选取主成分特征最大的因子为BP神经网络的输入层,羊肉价格作为输出层建立预测模型,将预测结果与已有的苏尼特羊肉价格进行比对验证。结果表明:与标准的BP神经网络相比,结合PCA降维的BP模型具有更小的拟合误差和更高的精度。     

基于改进BP神经网络的凉山半细毛羊生产性状预测

为了对凉山半细毛羊生产性状进行预测,试验以遗传算法优化的BP神经网络建立预测模型,通过观测凉山半细毛羊从初生到断奶的5个早期性状(羔羊初生重、羔羊断奶重、初生～断奶日增重、断奶毛长度、断奶毛细度)对其2个成年生产性状(成年体重、成年剪毛量)进行预测。预测值与实测值的相关系数分别为0.878和0.889,说明该预测模型具有较高的准确性,且网络训练时间为39.53 s。与传统的BP神经网络相比,预测精度和训练时间都得到较大提高。     

利用BP网络预测初产母牛305天产奶量

利用三层BP神经网络对非线性系统的函数所具有的以任意精度逼近的良好特性,设计了一个用于预测初产母牛305d产奶量的BP模型,通过对初产母牛日最高产奶量、90d产奶量与初产母牛305d产奶量的相关分析,来确定网络的拓扑结构,经仿真实验结果表明,应用BP网络预测方法可以提前210d左右预测初产母牛305d产奶量,模型预测精度高,预测方法可行,具有一定的实用价值。     

雾霾的RBF网络与遗传算法优化预测

雾霾是对大气中各种悬浮颗粒物含量超标的笼统表述。随着空气质量的恶化,阴霾天气现象出现增多,危害加重。为了更加准确的预测雾霾天气的形成,本文基于自然界遗传机制和生物进化论,提出了一种基于遗传算法优化的RBF神经网络雾霾形成的预测模型,并使用MATLAB进行仿真研究。研究表明RBF神经网络预测精度与网络权值和RBF参数初始值有很大关系,因此本文采用遗传算法优化RBF网络权值和其他参数,形成GA-RBF预测模型。该模型通过计算群体中个体适应度,确定全局最优值,寻找网络参数的最优值。实验结果表明GA-RBF优于传统的RBF预测模型,训练速度和预测精度显著提高。     

基于改进粒子群算法的工业润滑油调和方案设计

工业润滑油的调和是一个较为复杂的工艺过程,针对这一问题,文章提出了一种基于改进粒子群算法的工业润滑油调和方案。该方案为了满足两种不同的需求（质量和成本）,根据工业润滑油调和的配比模型设计了两种非线性约束目标优化模型。为了能够迅速、准确地寻找最优的调和方案,文章提出了改进粒子群算法,使用随机惯性权重函数,增加了每一代粒子的多样性。另外,文章还设计了两组实验,对本文提出的数学模型和算法进行测试。第一组实验的优化方案得到的润滑油指标最大误差仅为1.2%,符合质量设计需求。第二组实验的优化方案得到的润滑油成本远远小于需求一中的总成本,符合成本设计需求。因此,文章提出的方法对于工业润滑油调和方案设计具有一定的参考价值。     

基于BP神经网络的饲料产品品质预测方法

饲料加工生产过程是一个非常复杂的系统,其产品品质受原料特性和加工参数的影响,且各加工参数之间相互关联,很难用精确的数学模型来反映原料特性和加工参数与产品品质的关系。利用BP神经网络能自身从样本数据中提取相关的信息,并依据数据建立模型,可以有效准确地预测产品品质。试验结果表明,产品淀粉糊化度预测结果与真值的相关系数R在0.99以上,产品水分含量预测结果与真值的相关系数R在0.97以上,预测效果理想。因此,BP神经网络预测模型用于饲料产品加工品质预测是可行的。     

基于DEA与BP神经网络混合系统的设计与开发

DEA是一种基于线性规划理论、广泛应用于效率评价的系统分析方法,属于事后评价的范围。BP神经网络的容错能力、学习能力、纠错能力使其在非线性系统预测方面有着广泛的应用。目前DEA与BP神经网络的混合模型已得到广泛研究,其可以在资源投入阶段就进行评价,这样一旦发现问题可以及时调整,变事后评价为事前控制。但是软件的分离使用极大地限制了此混合模型的应用。本文基于DEA与BP神经网络,利用MATLAB将DEA软件与BP神经网络工具箱结合在一起,设计开发了混合效率预测模型系统。利用此系统可以进行效率预测,及时调整投入指标以减少投入资源的浪费,提高能源利用率,并且此系统提供了良好的人际交互界面,避免了复杂的人工操作。     

粒子群算法求解物流路径优化问题

为了高效解决物流配送车辆路径优化问题,提出一种粒子群优化算法,根据粒子群较强的寻优能力,扩大了种群多样性和提高算法精度。本文针对此算法进行仿真实验,结果证明该算法寻求的最优解、平均解、以及找到最优解次数和时间均有明显效果。     

基于遗传算法优化的RBF网络预测瓦斯涌出量

RBF网络待定参数较多,难以确定出最佳值,因此利用RBF神经网络预测瓦斯涌出量具有一定的局限性。本文采用遗传算法优化、简化RBF网络结构及参数,建立GA-RBF预测模型对瓦斯涌出量进行预测。该模型利用遗传算法的选择、变换、变异等运算,再按照优胜劣汰的原则保留网络参数的最优值。仿真实验表明,GA-RBF预测精度优于传统的RBF预测模型,训练速度也有明显提高。     

基于粒子群算法的多类资源受限项目调度

随着经济全球化导致市场竞争的日趋激烈,现代项目日趋复杂,要求周期更短、质量更高、成本更低。准时完工率更高,要求项目调度计划要考虑成本、质量、周期等综合指标,并具有更高的稳定性、适应性和准确性。资源受限项目调度问题是一类典型的项目调度问题,它属于NP-hard问题的范畴。传统的项目计划与优化调度方法已经无法完全满足现代项目管理的实际需求。因此,在原有的项目计划与优化调度的基础上,引入粒子群算法来更好的优化质量、周期和成本,最终达到最优。本文将粒子群优化算法应用到资源受限调度项目问题求解中,详细介绍了粒子群算法求解资源受限项目调度问题的求解过程。     

关于基坑变形预测方法的优化研究

神经网络算法的收敛性和稳定性已经得到了广泛的证明,被应用在许多工业监控场合,在传统的BP神经网络预测基坑变形方法的基础上,融入了灰色算法,生成了一种新的智能化模型,以对原有方法进行优化。通过实际案例证明,新的组合模型无论在计算时间还是在计算精度方面,都显示了较为明显的优势,具有一定的经济意义和实用价值。     

改进粒子群算法在电力系统无功优化中的应用

为研究解决电网无功优化问题的可行算法[1],对粒子群算法进行探讨和改进,引入共轭梯度法,克服标准粒子群算法容易进入局部收敛、收敛精度不高等缺点[2]。改进的粒子群算法寻优质量高,收敛速度快,节点电压满足系统运行要求,系统网损较小,是解决电力系统无功优化的高效可行算法。