共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
针对标准的BP神经网络对于声音信号识别率不高的问题,提出了一种用粒子群算法(PSO)优化BP神经网络的算法,建立了声音信号识别模型。PSO优化BP神经网络主要是用PSO来优化BP神经网络的初始权值和闽值,然后通过训练BP神经网络得到识别模型的最优解,优化后的神经网络具有误判率小、反应速度快等特点。在实验中把标准的BP神经网络和PSO优化后的BP神经网络用于八种异常声音的MFCC特征量和差分MFCC特征量识别,结果表明:在声音信号的识别系统中采用PSO优化BP神经网络的算法提高了系统的识别性能,达到了系统设计的目的。 相似文献
3.
球磨机是矿企选矿生产中的高能耗、关重设备,其耗能受多种负荷工艺参数的影响,上述参数间"强非线性"、"强扰动"、"强耦合",且难以直接测量,构建其精确的数学模型十分不易。为提质增效、节能减排,实现矿用球磨机能耗的优化,提出基于粒子群优化径向基神经网络结构参数的能耗预报模型。首先,对决定RBF神经网络模型精度的隐节点中心和宽度2个结构参数优化,避免人工选择的盲目性、尝试性,以此来提升模型的提高,同时利用UCI数据库中的标准数据来验证上述模型的有效性。在此基础上,将包钢巴润矿业选厂5.03×6.4m球磨机的实际生产中105组数据中部分数据作为学习样本,以均方误差为适应度函数,基于PSO优化RBF算法来构建其能耗的预测模型,余下作为测试样本来检验所建模型的有效性。结果表明:与BP算法相比,PSO优化RBF算法具有更高的精度,为磨矿生产的降本增效提供新途径。 相似文献
4.
对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。 相似文献
5.
《科技通报》2016,(9)
针对标准KNN算法在交通运输路况预测的应用中还存在误差较高等问题。本文提出了一种基于改进粒子群并行优化KNN算法的交通运输路况预测模型,首先在采用粒子群算法对KNN算法进行优化前,引入变异操作并结合神经网络中的Sigmoid型函数对粒子群算法的特征子集进行优化,然后采用最优化学习策略对改进粒子群算法的运算性能进行优化,最后采用改进的粒子群算法把改进的KNN算法的待优化参数随机初始化为一组粒子的位置和速度,并根据适应值函数计算每个粒子的适应度。仿真实验结果表明,本文提出的改进粒子群算法具有较好的收敛性能,基于改进粒子群并行优化的KNN算法在交通运输路况的预测中误差较小。 相似文献
6.
提出用遗传算法优化径向基函数(RBF)神经网络,使其更接近非线性映射和更快的学习收敛速度.然后用改进后的RBF神经网络预测混沌时间序列.实验结果表明,基于RBF网络的混沌时间序列具有很强的拟合能力、误差小、取得更好的效果. 相似文献
7.
阐述了运用粒子群优化人工神经网络建立煤层顶板导水裂隙带高度预测模型的思路与方法。利用粒子群优化神经网络模型的权值和阈值,克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点。煤层导水裂隙带高度预测实例表明,该方法不仅能更快地收敛于最优解,且预测精度有明显的提高。 相似文献
8.
为进一步提高脉冲耦合神经网络(PCNN)在图像分割中的应用水平,本文对PCNN模型作了简化和改进。利用粒子群优化算法实现网络参数优化,从训练图像中提取熵和能量的比值作为PSO的适应度函数,提出了一种参数自适应的PCNN图像分割方法。最后,通过仿真验证所述方法的分割性能,结果表明:与传统PCNN图像分割方法相比,该方法能够有效地实现不同图像的自适应分割,具有一定优越性。 相似文献
9.
10.
差分进化算法(Differential Evolution Algorithms,DE)和粒子群算法(Particle Swarm Optimization,PSO)是一种基于种群的全局优化的通用的启发式算法,已经用来求解很多的问题。本文提出一种基于DE和PSO的双进化方式的种群进化策略。对于种群中的每个粒子可以随机选择按照差分进化或者按照粒子群进化。为了提高进化的收敛速度,对于每一代粒子选择一个最优的粒子提供给按照PSO算法进化的粒子使用。通过4个标准函数测试该算法并与PSO和DE算法进行比较,实验证明该算法是一种求解精度高,速度快,鲁棒性好的算法。 相似文献
11.
12.
13.
14.
本文针对粒子群算法具有不易陷入局部极小、收敛速度快等特点,提出了一种基于粒子群的小波神经网络学习算法,优化了小波神经网络中的各个参数,并将应用于函数仿真试验。试验表明,该算法能减少迭代次数、提高收敛精度,是小波网络的有效训练算法。 相似文献
15.
16.
基于QPSO灰色神经网络的基坑锚固荷载预测 总被引:1,自引:0,他引:1
《科技通报》2016,(1)
针对锚索锚固工程的复杂性,提出一种利用量子粒子群(QPSO)优化灰色神经网络的学习算法。在锚索荷载监测历史数据的基础上,将灰色预测残差值作为BP神经网络的输入,并用QPSO算法对常规灰色神经网络(GNN)的权值和阈值进行优化,构建了基于量子粒子群的灰色神经网络模型(QP-SO-GNN)。以某矿山深基坑支护为例,进行锚索荷载预测。结果表明:QPSO-GNN模型预测结果稳定,其模型精度和泛化能力均优于常规GNN,表明了该方法的有效性和可行性,可以为锚固设计提供一种切实可行的参考依据。 相似文献
17.
《中国科技信息》2017,(22)
为了减少地铁车站设备故障导致的人员伤亡,本文提出了粒子群算法结合BP神经网络对屏蔽门系统的故障进行预测。利用BP神经网络结构作为粒子群算法的适应度函数对BP网络的权值与阈值进行优化。在确定神经网络结构之后,该模型以权值和阈值作为粒子,利用粒子群算法的寻找全局最优的思想为BP网络寻找最优权值和阈值。减少了BP神经网络的训练结果出现较大偏差的概率。该算法可以适用于地铁站内受多种不定因素影响的设备,本文采用屏蔽门系统故障较为频繁的门锁机构来分析模型,得到的预测结果相差不到一天范围内,因此该算法具有理想的预测精度。最后利用MATLAB仿真验证该算法的可用性。 相似文献
18.
19.
20.
研究了考试系统中一个关键的技术——组卷算法,提出了应用粒子群优化算法组卷。PSO算法源于蜜蜂群觅食,是一种智能寻优算法,它首先初始化一群随机粒子(随机解),然后通过迭代找到最优解。PSO算法组卷是一个离散性求解问题,这是对PSO算法应用上的一个扩展。 相似文献