基于粒子群算法的小波神经网络应用与研究

小波神经网络(WNN)结合了小波良好的时频局域化性质和传统神经网络自学习功能,因而使得小波网络具有较强的逼近和容错能力,并具有良好的收敛性和鲁棒性。然而其网络收敛速度慢、搜索成功率低及易陷入局部极小值等缺点使得传统的小波神经网络难以得到广泛应用。本文介绍一种基于粒子群(PSO)算法的小波神经网络,其通过利用种群间信息共享进行寻优,以获得结构化的神经网络,克服传统小波网络的诸多缺点,取得了良好的效果。     

模拟退火的粒子群BP神经网络数据处理探讨

为了提高监测数据分析与预报的准确性、实时性,提出将模拟退火算法与粒子群BP神经网络相结合应用于变形监测数据处理中。分别分析了3种方法的原理和计算过程,阐述了新方法的计算步骤,并通过实例说明该方法比传统的BP神经网络法拟合和预报效果更好。     

粒子群算法优化的神经网络短期钟差预报

针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

基于粒子群优化算法的SVM神经网络在海底底质分类中的应用

针对海底质地的特点,利用底质图像的灰度纹理共生矩阵和灰度均值作为特征参数,采用粒子群优化算法训练支持向量机的神经网络(SVM),对海底底质图像进行自动分类。本文以海底侧扫声纳图像为例,通过实测数据验算,取得了理想的效果。     

模拟退火粒子群与小波的地基沉降预测应用

针对粒子群优化算法易陷入局部极小值问题,改进学习因子使其自适应调整,并与具有良好全局搜索能力的模拟退火算法结合,充分利用两种算法各自的优点,同时结合小波分析去噪,优化神经网络参数,对地基累计沉降数据进行预测,并与标准粒子群优化算法做了对比,实验表明两种方法的结合具有良好的全局和局部搜索能力,预测精度高。     

基于改进粒子群优化RBF神经网络的地理信息预测

本文首先针对标准粒子群优化算法容易陷入局部最优的缺点,采用动态自适应调节策略,使得粒子的惯性权重随群体聚集程度而适时变化,从而调整粒子群搜索的速度和方向以跳出局部最优;然后将粒子群算法的全局搜寻能力和RBF网络的局部优化能力相结合,利用改进的粒子群优化算法优化RBF神经网络的关键参数;并将其应用于地理信息的预测,得到满意的结果。     

加权变异粒子群BP神经网络在遥感影像分类中的应用

在经典的BP神经网络框架支撑下,利用加权变异粒子群算法使神经网络的训练更加科学,同时也更好地发挥了粒子群算法的优点,使其分类效果更加精准。实验后的分类结果表明,与改进之前的BP神经网络相比,总体精度和Kappa系数分别提高了0.108 3和0.138 3;与支持向量机、最大似然及最小距离等分类方法进行了对比,分类效果均优于以上方法。加权变异粒子群BP神经网络不仅可以实现遥感影像的高精度分类,对解决"同谱异物"和"异物同谱"现象也具有一定的作用。     

粒子群优化神经网络的土壤有机质高光谱估测

针对提高土壤有机质高光谱估测精度的问题,该文对山东省泰安市的92个棕壤样本进行光谱去噪,剔除异常样本处理后,对光谱反射率进行11种变换,发现一阶微分变换最佳;然后计算土壤有机质含量与变换后光谱反射率的相关系数,选取5个特征波段,分别利用多元线性回归、BP神经网络、支持向量机、粒子群优化神经网络4种方法建立土壤有机质含量高光谱估测模型并进行精度比较。实验结果表明,多元线性回归、BP神经网络、支持向量机和粒子群优化神经网络模型的决定系数R2分别为0.520 3、0.665 4、0.735 0和0.853 0,均方根误差分别为2.12、1.99、1.45和1.08。研究结果表明,粒子群优化神经网络的反演精度高、稳定性强,可有效提高土壤有机质的光谱估测能力。     

遗传小波神经网络在变形预报中的应用

目前常用的变形预报方法有BP人工神经网络和小波神经网络,但是都存在收敛速度慢且易受局部极值的影响。针对这两种算法的不足,本文利用遗传算法的全局寻优特性,将遗传算法与小波神经网络结合,形成遗传小波神经网,将其应用于变形预报,取得了良好的效果;并将算法的预报精度、稳定性、有效区间及运算时间作为评价算法优劣的4个标准,对BP神经网络、小波神经网络及遗传小波神经网络进行对比,结果表明遗传小波神经网络具有明显的优势。     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

应用粒子群算法的遥感信息与水稻生长模型同化技术

在研究遥感信息和水稻生长模型的同化过程中, 最小化遥感反演与生长模型(RiceGrow)输出的水稻生长 信息差值绝对值时引入了一种新的优化算法-粒子群算法(PSO), 并对比了其与模拟退火算法(SA)的优缺点; 探讨 了叶面积指数(LAI)和叶片氮积累量(LNA)分别作为同化参数时的同化效果。结果表明, PSO 无论是从同化效率还是 反演精度上都要好于SA, 粒子群优化算法是一种可靠的遥感与模型同化算法; LAI 和LNA 作为外部同化参数时各 有优势, LAI 作为同化参数可获得较准确的播期及播种量, 而LNA 作为同化参数可获得更为准确的施氮量信息。但 是LAI 作为外部同化参数时的反演结果总体要优于利用LNA 作为同化参数时的反演结果。利用试验资料对该技术 进行了测试和检验, 结果显示反演的模型初始参数的平均值与真实值的相对误差(RE)均小于2.5%, 均方根误差 (RMSE)为0.7—2.2, 产量模拟值与实测值之间的相对误差为5%左右, 模拟与实测相关指标值吻合度较高, 该同化 技术具有较好的适用性。从而为生长模型从单点扩展到区域尺度应用奠定了基础。     

基于粒子群优化算法的最大类间方差多阈值图像分割

最大类间方差法是图像分割中一种常用的阈值分割方法,对于单阈值分割具有显著的效果,但是对于多阈值分割,计算复杂度大、耗时较多。本文将粒子群优化算法与最大类间方差法结合,提出了一种新的图像分割方法,该方法利用粒子群优化算法的寻优高效性,并由灰度图像的最大类间方差值作为适应值,搜索最优分割阈值,实现图像的多阈值分割。实验结果显示,新方法大大缩短了寻找最优阈值的时间,降低了运算复杂度,提高了图像分割速度,说明基于粒子群优化算法的图像分割算法是可行的、有效的。     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阈值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析。与经典BP神经网络模型的预测结果相比,粒子群-BP神经网络模型的收敛速度更快、预测精度更高。     

A site selection method of DNS using the particle swarm optimization algorithm

The Domain Name System (DNS) is an essential component of the functionality of the Internet. With the growing number of domain names and Internet users, the growing rate and number of visit quantity and analytic capacity of DNS are also proportional to the Internet users' size. This study (based on the analysis of access popularity and the distribution of massive DNS log data) aims to optimize the configuration of the DNS sites, which has become an important problem. The ArcGIS software is used to show the temporal and spatial distributions of visit source of DNS logs. This study also analyzes the influence of different sites and the dependence on DNS service in different regions of the world. This information is important to further decision‐making on new DNS site selection. This article proposes new DNS site selection solutions, using particle swarm and multi‐objective particle swarm optimization algorithms for one new site and multiple sites, respectively. The results from particle swarm optimization, genetic, and simulated annealing algorithms were compared and experimental results confirmed the correctness and effectiveness of the proposed methods. The proposed methods could also be extended to solve other layout related issues, such as onsite facility layout and road network optimization.     

改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.     

遥感影像融合AIHS转换与粒子群优化算法

Pan-sharpening是通过将低分辨率多光谱图像(LMS)与高分辨率全色图像(PAN)进行合成而获得高光谱高空间分辨率的多光谱图像(HMS)的过程。本文提出一种Pan-sharpening方法,称为PAIHS。该方法基于自适应亮度-色度-饱和度(AIHS)转换和变分Pan-sharpening框架以及两个假设(①Pan-sharpening图像和原始多光谱图像(MS)具有相同的光谱信息;②Pan-sharpening图像与全色图像(PAN)包含的几何信息保持一致),同时确定目标函数,然后用粒子群算法(PSO)进行优化,目的是得到最佳控制参数并求得目标函数最小值,此时对应着最好的Pan-sharpening质量。试验结果表明,本文提出的方法具有高效性和可靠性,获得的性能指标也优于目前一些主流的融合方法。