针 对 网 络 安 全 态 势 预 测 , 为 了 提 高 预 测 精 度 和预 测 算 法 的 收 敛速 度 , 采 用 一 种 改 进 的 粒子 群 算 法来 优 化径 向 基 函 数神 经 网 络 。 首 先 , P SO 的 惯性 权 重 因 子 按 一 条 开 口 向 左 的 抛 物 线 递 减 , 在 保证 全局 寻优 的 同 时 又 增 强 了 局 部搜 索 能 力 ; 其 次 , 通过 权 重 因 子 的 调 节 自 动 寻 优 , 并 将搜 寻到 的 全局 最优 值 解 码 成 R B F 的 网 络参 数 ; 最 后 , 通 过 优 化 的 R BF 网 络进 行 网 络 安 全 态 势 预 测 。 仿 真 实 验 表,改进 后 的 算 法 能较 准 确 地 预测 网 络 安 全 态 势 。 与 BP 算 法 和 R BF 算 法相 比 , 本 文 算 法在预 测 精度 上有所提 高 , 同 时 收敛 速度 加快 , 能 达到 更 好 的 预 测 效果 。
2019-12-21 20:06:01 932KB 改进粒子群 rbf
1
为了提高光伏发电功率预测的精度,本文在结合灰色预测算法(GM)与神经络预测算法优点的基础上,提出一 种基于灰色径向基函数(Radical Basis Function, RBF)和神经网络光伏发电功率预测模型。 该预测模型综合了灰色预 测算法所需历史数据少以及 RBF 神经网络预测算法自学习能力强的优点。 最后,运用南昌地区夏季和冬季晴天、阴 天、雨天光伏发电历史数据在 MATLAB 应用平台编程实现对 GM-RBF 神经网络预测模型的预测精度进行验证,得出 基于 GM-RBF 神经网络光伏发电预测模型在夏季晴天预测误差为 6.495%、夏季阴天预测误差为 12.146%、夏季雨天 预测误差为 21.531%、冬季晴天预测误差为 8.457%、冬季阴天预测误差 14.379%、冬季雨 天预 测 误 差为 18.495%,其 预测精度均高于灰色预测算法和 RBF 神经网络预测算法
2019-12-21 20:06:01 838KB 灰色预测 RBF
1
为了提高风电功率的预测精度, 研究了一种基于粒子滤波( P F) 与径向基函数( RBF) 神经网络相结合的风电功率预测方法。使用 P F算法对历史风速数据进行滤波处理, 将处理后的风 速数据结合风向、 温度的历史数据, 归一化后构成风电功率预测模型的新的输入数据; 利用处理后 的新的输入数据和输出数据, 建立 P F-RBF神经网络预测模型, 预测风电场的输出功率。仿真结果 表明, 使用该预测模型进行风电功率预测, 预测精度有一定的提高, 连续1 20h功率预测的平均绝对 百分误差达到8.04%, 均方根误差达到10.67%
2019-12-21 20:06:01 327KB 粒子滤波 RBF
1
粒子群算法优化RBF神经网络MATLAB程序,适用于模式识别和函数逼近。
2019-12-21 20:04:13 6KB MATLAB程序
1
基于k-均值的RBF神经网络实现,matlab程序,基于k均值找到聚类中心,最小二乘法计算隐含层与输出层之间的权值。
2019-12-21 19:59:45 3KB RBF 看均值
1
rbf神经网络识别图像的算法,通过训练后与对应图片进行仿真。
2019-12-21 19:49:30 24KB matlab 毕业设计 建模 算法
1
风电场风速预测的RBF神经网络模型,介绍了风电场风速预测的方法,建立了RBF神经网络模型,提前1h预测,并把结果与BP方法进行对比
2019-12-21 19:48:36 217KB 风速 预测
1
这是非常实用的基于RBF神经网络的PID控制仿真代码,可以通过参数自适应整定来实现功能,请大家参考!
2019-12-21 19:41:20 3KB PID RBF MATLAB代码
1
利用RBF网络(隐含层神经单元个数和学习率等参数可在内部修改,不作为输入参数)学习和训练,并对输入的测试样本做出响应。 输入和输出维数可以多维。 实际运行,逼近y=sin(t)函数效果不错。
2019-12-21 19:32:05 2KB RBF;MATLAB
1
使用MATLAB软件中的simulink模块,进行RBF神经网络PID控制仿真,实测成功!!
2019-12-21 19:30:13 10KB MATLAB仿真 Simulink RBF神经网络 PID控制
1