共查询到20条相似文献，搜索用时 31 毫秒
1.
参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。 相似文献
2.
3.
利用粒子群优化算法（PSO）强大的全局搜索能力,提出了用PSO算法优化FCM聚类中心的方法,有效地避免了传统的FCM由于初始值及噪声的影响,容易陷入局部最优的不足,同时图像分割的效果得到了提高,性能比传统的FCM方法更加稳定。实验结果表明,该方法在图像分类中的应用效果较好。 相似文献
4.
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
5.
粒子群优化(PSO)粒子滤波算法比较而言,容易陷入局部最优,因此算法的准确度就会降低。本文在解决该问题时引入了一种基于鱼群的PSO粒子滤波算法。此算法是通过鱼群优化在采样过程中找到全局最优的相对位置,使其能够向全局最优的位置逐渐接近,同时提高估计有效的粒子数目,从而能够更有效的减少粒子退化与枯竭问题。实验表明,此算法与PSO粒子滤波算法相比,在估计准确度方面有了较大的提升。 相似文献
6.
交通流量预测是智能交通系统研究的重要组成部分。提出了一种粒子群(PSO)优化RBF神经网络的交通流量预测方法。该方法以误差能量函数为适应度函数,利用PSO算法对RBF神经网络参数进行优化,有效克服交通流量数据非周期性、非线性和随机性等问题。仿真实验结果证明比单纯用RBF预测模型精度高、收敛速度快,表明粒子群优化的RBF神经网络模型具有良好的应用价值。 相似文献
7.
在电力系统领域,粒子群优化算法(PSO)被广泛应用于实现电能优化、电压控制、以及电容器优化配置等问题。但现有的PSO算法在电力系统优化应用中容易过早收敛,不能得到精确解。文章根据电网最优潮流具有典型的有约束、非线性的特点,提出了一种应用于电网经济调度问题的快速有效的求解方法,即改进粒子群(PSO)算法。从模仿生物遗传进化的角度出发,在参考现有PSO算法的基础上设计一种可以随适应度变化而变化的PSO算法模型。通过该算法与标准PSO算法在IEEE30节点系统上进行算法检验比较,可以清楚地看到所改进的算法在求解电网系统经济调度问题方面所具有的优越性能。 相似文献
8.
9.
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
10.
11.
对标准PSO算法进行分析的基础上,针对PSO算法中的早熟收敛问题,提出了一种基于混沌序列的PSO算法（CPSO）。CPSO算法能够保证粒子种群的多样性,使粒子能够有效进行全局搜索;并以典型的基准优化问题进行了仿真实验,验证了CPSO的有效性。 相似文献
12.
13.
14.
15.
为了改进BP算法预测性能,提出QPSO-BP模型.该模型采用DELTA势阱改进的量子粒子群(QPSO)算法优化BP网络的权值与阈值,然后利用各年的GDP数据进行训练和预测.结果表明:经过DELTA势阱改进的QPSO优化BP算法模型比PSO-BP模型和BP神经网络更稳定,预测精度更高且泛化能力更强.与文献中所用模型的运算结果相比较,这种改进模型运算结果的相对误差和平均误差更小,在准确性上也有一定的优势. 相似文献
16.
《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
17.
针对高斯混合模型算法（GMM）对初始参数敏感、易陷入局部最优的问题,提出一种基于改进海洋捕食者算法优化的GMM算法（MMPA-GMM）。首先基于混沌序列和伪对立学习策略初始化种群,引入非线性收敛因子平衡MPA算法的全局与局部搜索,同时提出融入社会等级制度的位置更新策略;然后从搜索能力和收敛速度对改进的MPA进行分析;最后以S＿Dbw指标作为算法的适应度函数,利用改进的MPA优化GMM算法的初始参数。实验结果表明,改进的MPA在4种测试函数上表现良好,并且MMPA-GMM算法对4个数据集的聚类效果均有改善,有效避免了GMM算法陷入局部最优的问题。 相似文献
18.
19.
粒子群优化（PSO）算法是一种模拟自然生物群体（swarm）行为的优化技术。PSO算法源于对鸟群觅食行为的研究,该算法简单易实现,可调参数少,已得到广泛研究和应用。PSO算法不仅仅是种算法,更是一种学习和思维的创新,体现出学科之间交互所发生的一些突破。它不但是计算机理论上极大的理论创新,而且在哲学上也具有丰富的内涵。对此进行了论述。 相似文献
20.
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