基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

考虑偏差补偿PSO-BP模型的SCR入口NOx软测量

针对燃煤电厂SCR入口氮氧化物(NO_x)烟气连续监测系统存在较大延时性和维护过程无法连续测量的问题,提出一种考虑偏差补偿基于改进型PSO优化的BP神经网络软测量模型.首先,利用改进的PSO算法对网络参数进行优化,解决各神经元阀值与权值初始选择随机性强和训练过程易陷入局部极值的问题,从而提升网络的训练速度和精度;其次,构建模型误差补偿网络修正预测结果以提高网络的预测精度与泛化能力;然后将改进模型应用于SCR入口NO_x软测量,基于某电厂DCS运行数据仿真计算,并与BP模型、标准PSO优化的BP模型和改进型PSO优化的BP模型进行了对比.仿真实验表明提出的软测量模型具有更高的收敛速度、更强的泛化能力、更佳的测量精度.     

基于道岔动作电流的故障特征提取与诊断方法

为提高道岔故障诊断精度,提出一种基于粒子群算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)神经网络的道岔故障诊断法.先利用基于道岔转换状态、时间固定分段、时域统计指标的三种方式提取动作电流特征参数,以降低特征维度;再据三种特征提取方式分别建立基于PSO-BP神经网络的诊断模型.仿真实验结果表明,采用基于时域统计指标的特征提取方式能更有效提取动作电流的变化信息,利用PSO优化BP神经网络可实现网络参数的自动寻优,提高网络对故障分类的效果.     

基于遗传-粒子群优化算法的USV路径规划方法

为解决传统粒子群优化算法(particle swarm optimization algorithm,PSO)应用于无人水面舰艇(unmanned surface vessel,USV)路径规划时存在的早熟收敛问题,提出一种结合遗传思想的PSO,在传统的PSO中引入遗传算法(genetic algorithm,GA)中的交叉、变异操作,避免算法进入局部最优解,对惯性权重进行自适应调整,加速算法收敛.采用MATLAB软件对USV巡检水域环境进行建模,应用改进的PSO进行路径规划.仿真结果表明:相对于传统的PSO和GA,该算法有效减少路径交叉点,大幅缩短路径总长和算法收敛时间.     

基于神经网络的GPS高程拟合方法优选及精度分析

针对现有的几种神经网络GPS高程拟合方法,讨论了利用遗传算法(GA)、粒子群算法(PSO)优化BP神经网络权值和阀值的原理;结合分布较均匀、现势性较好的GPS和水准联测数据,试算了基于神经网络的GPS高程拟合。拟合结果表明:基于PSO算法优化的BP神经网络的拟合精度优于GA算法,误差相对更小。     

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。     

基于灰色PSO-BP的客运量预测模型

在灰色预测模型、BF神经网络与粒子群优化算法PSO的基础上建立基于灰色PSO-BP的公路客运量预测模型。并根据陕西省近10 a的公路客运量数据,对GM(1,1)、BP神经网络、灰色PSO-BP网络预测模型的预测结果进行比较,得出基于灰色PSO-BP的客运量预测模型能充分发挥各种算法的优势、提高预测精度,更适合运用在公路客运量预测的领域中。     

基于遗传BP算法的我国汽车保有量预测

在对我国中长期汽车保有量预测时,针对传统BP算法的不足,采用遗传算法优化BP算法的连接权值,使优化后的BP网络的训练速度和预测精度得到了有效提高,说明该方法具有较好的实用性和推广价值.     

基于PSO-BP算法的运输组织精益生产评价

在构建车站运输组织精益生产评价系统的基础上,建立用粒子群优化算法(PSO)和BP神经网络相结合的混合算法来进行综合评价的模型.该模型全面考虑影响运输组织生产的各种因素,将定性分析和定量分析相结合,使评价结果更符合实际、更可靠.实例计算结果表明:PSO-BP方法简便、通用,其结果符合生产实际,能很好的反应运输组织精益生产的实施效果.     

基于微粒群本质特征的混沌微粒群优化算法

在总结对微粒群优化(PSO)算法本质的主要研究成果的基础上,提出了基于微粒群本质特征的混沌微粒群优化(CPSO)算法.该算法用混沌搜索方法代替随机数产生器在较好的区域搜索最优解.为了提高粒子群的多样性,用由粒子邻域内若干个个体最优位置依其适应值加权平均得到的中心位置代替标准PSO算法的全局历史最优位置.然后,根据粒子个体最优位置与上述中心位置间的距离自适应地调整混沌搜索区域半径.用几个经典测试函数的仿真结果及与其它几种PSO算法的比较结果验证了新算法的有效性.     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型．该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点．结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比．计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景．     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.     

基于简化WITI指标的机场延误预测方法

为实现在战略或预战术阶段对恶劣天气条件下的机场延误进行有效预测,本文引入简化的天气影响交通指标(WITI),采用灰色关联分析的方法,验证该指标与机场延误之间的关联性,再分别以WITI指标和传统指标构建多元线性回归模型和BP神经网络预测模型,对广州白云国际机场(ZGGG)和深圳宝安国际机场(ZGSZ)的离场延误进行预测.结果显示,WITI指标与机场离场延误之间的关联度明显高于传统指标,基于WITI指标比基于传统指标构建的多元线性回归模型,在预测准确度上高出14.09%(ZGGG)和9.79%(ZGSZ),同样在BP神经网络模型中则高出8.00%(ZGGG)和6.41%(ZGSZ),由此认为WITI指标在机场延误预测中具有更好的应用效果.     

基于神经网络PID的连挤连轧速度控制系统

根据连挤连轧速度控制的特点,将改进BP神经网络与PID控制算法相结合,采用西门子S7-200型PLC实现连挤连轧机的变频调速控制.通过与传统PID和BP神经网络PID算法比较,改进BP神经网络PID控制器具有较短的动态响应时间和良好的跟随性,表明该方法在连挤连轧速度控制中有良好的应用价值.     

基于进化规划的BP神经网络学习

通过对将传统的BP算法和遗传算法应用到BP神经网络的学习的研究和分析,指出它们存在的缺陷。提出一个改进的进化规划算法,并将其应用于BP神经网络的权值优化。取XOR问题和4奇偶性问题的实验对传统的进化规划算法和改进的进化规划算法进行实验对比。实验结果表明,本文中提出的改进的进化规划算法优于前2个算法。     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。     

基于蚁群优化的前向神经网络

提出了一种新的神经网络学习方法.利用蚁群算法学习神经网络,克服了传统BP算法的不足.同时,针对蚁群算法主要用于组合优化的应用特点,对其进行了改进.将离散的信息素分布矩阵及概率分布矩阵拓展为连续的信息素分布函数和概率分布函数.将搜索的范围扩展到连续区域.使得新算法兼具了蚁群算法的全局快速寻优能力与神经网络的广泛映射能力.通过实例证明了该方法的有效性和快速性.     

动态交通流量预测方法研究

随着智能运输系统的广泛应用,实时交通流量预测的重要性也日益显著。本文介绍了预测模型发展过程中比较重要的几个模型,并由此引出人工神经网络。介绍误差逆传播(BP)模型的相关理论。指出传统BP神经网络的缺陷,并提出提高预测精度的措施引进高阶神经网络。建立普通BP神经网络的预测模型,利用误差反传播算法实现这些影响因素到输出变量的复杂映射,再用高阶神经网络构建另一预测模型。利用交叉口实测数据进行预测,并用实际数据进行比较验证。