为提高BP神经网络的收敛速度和泛化能力，防止其陷入局部最优值，在前人工作基础上对传统粒子群算法进行了改进，具体包括：设定最大限制速度、改变惯性权重因子和改进适应度函数，并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测，具体步骤为：确定神经网络的输入、输出神经元，定量化时间参数[T]，利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析，结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。
2021-12-20 15:13:39
560KB
1
针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题，结合BP神经网络自学习和自适应能力强等特点，提出采用BP神经网络优化PID控制器参数。其次，为了加快BP神经网络学习收敛速度，防止其陷入局部极小点，提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后，给出了PSO-BP算法整定优化PID控制器参数的详细步骤和流程图，并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。
2021-12-15 16:47:49
706KB
1
这是一个pso优化bp神经网络的预测算法，可用亲测
2021-09-28 23:14:13
54KB
论文中的源代码，用的MATLAB 使用PSO-BP对于铁水温度的预测，修改数据直接可以运行
2021-09-28 17:08:09
2.93MB
针对电动汽车应用的50AH磷酸铁锂电池荷电状态(state of charge，SOC)估算不准的难题，在原有BP神经网络的基础上引入改进的PS0算法加以优化，优化了BP神经网络的权值和阈值，并把优化后的网络用于SOC预测，减小了SOC估算的误差．本文以50AH的磷酸铁锂电池为研究对象，首先在粒子群算法(particle swarm optimization，PSO)中引入了变异算子改进了PS0搜索精度较低、后期迭代效率不高等缺点，然后通过实验分析了电压、电流、温度3个主要参数与SOC的关系，利用放电实验
2021-09-27 09:41:00
128KB
1