PSO算法结合BP神经网络在传感器静态非线性校正中的应用

基才PSO—BP神经网络的PID控制器参数优化方法郭珂;伞冶;朱奕【摘要】Due to the strong self-learning and self-adaptive ability of BP neural networks, it can be used to solve the problems that existing in traditional PID controller parameters tuning methods. In order to accelerate the convergence speed of BP neural network and prevent it from falling into local minimum point, the particle swarm optimization algorithm is proposed to optimize the connection weight matrix of BP neural networks. At last, detailed steps and flow chart of the proposed method are given and the simulation results demonstrated that the control quality of the proposed method is superior to the conventional methods.%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。

标题：探究PSOBP算法在Python中的应用一、PSOBP算法简介PSOBP（Particle Swarm Optimization with Back Propagation）算法是一种基于粒子群优化和反向传播算法结合的智能优化算法。

它通过模拟鸟群觅食的行为，通过迭代搜索，逐步优化目标函数，找到最佳解。

在PSOBP算法中，每个粒子代表一个解，在每次迭代中，粒子根据自身的经验和邻居粒子的信息更新自身位置，并不断优化目标函数的取值，直到收敛到最优解。

二、PSOBP算法的Python实现在Python中，可以使用以下步骤来实现PSOBP算法：1. 初始化粒子群：需要初始化一定数量的粒子，每个粒子包含位置、速度和适应度等属性。

可以使用随机数或者其他初始化方法来确定粒子的初始位置和速度。

2. 计算适应度：根据问题的具体情况，定义目标函数，并利用目标函数计算每个粒子的适应度，即目标函数取值。

3. 更新全局最优解：在粒子群中，需要维护全局最优解，以便在迭代过程中不断更新和优化。

4. 更新粒子位置和速度：根据PSOBP算法的迭代公式，更新每个粒子的位置和速度，以实现搜索空间的遍历和优化。

5. 反向传播神经网络：在PSOBP算法中，结合了反向传播神经网络的思想，通过不断调整神经网络的权重和偏置，实现对目标函数的优化。

6. 终止条件判断：在迭代过程中，需要设置终止条件，例如最大迭代次数或者粒子位置的变化小于一定阈值，以确定算法是否收敛到最优解。

7. 输出结果：输出优化后的最优解，以及粒子群的收敛曲线和其他相关信息，进行结果分析和验证。

三、PSOBP算法在实际问题中的应用PSOBP算法作为一种智能优化算法，已经在许多领域得到了广泛应用，例如工程优化、机器学习、神经网络训练等。

在实际问题中，可以根据具体的应用场景和目标函数，利用PSOBP算法进行参数优化、特征选择、模型训练等任务，取得了不错的效果。

四、PSOBP算法的优缺点PSOBP算法作为一种智能优化算法，具有以下优点：1. 全局搜索能力强：PSOBP算法通过模拟粒子群的搜索行为，具有较强的全局搜索能力，能够在复杂的搜索空间中找到较优解。

收稿日期:2007-07-02作者简介:曾万里(1979-),男,湖南邵东人,硕士研究生,研究方向为数据仓库与数据挖掘技术;危韧勇,教授,硕士生导师,研究方向为电力谐波综合治理技术、铁道牵引电气化与自动化、计算机信息处理与控制等。

基于改进PSO 算法的BP 神经网络的应用研究曾万里1,危韧勇1,陈红玲2(1.中南大学信息科学与工程学院,湖南长沙410075;2.吉林大学珠海学院,广东珠海519041)摘 要:为了克服粒子群优化算法本身存在的早熟和局部收敛的固有问题,在描述了BP 神经网络的基本结构的基础上,介绍了粒子群优化算法(PSO)的基本概念,并通过对二者优缺点的分析与比较,结合二者的优势,将粒子矢量位移应用到PSO 算法中,并在此基础上,用改进的PSO 算法对BP 网络进行训练,还利用某商场的部分消费数据进行了实验。

结果表明,基于改进的PSO 算法的BP 网络在收敛速度和精度上都比基于传统的PSO 算法好。

关键词:BP 网络;粒子群优化算法;矢量位移;收敛速度中图分类号:T P301.6 文献标识码:A 文章编号:1673-629X(2008)04-0049-03Research and Application of BP Neural Network Based on Improved PSO AlgorithmZENG Wan -li 1,WEI Ren -yong 1,CHEN H ong -ling 2(1.Sch.of Info.Sci.&Eng.,Central South University,Changsha 410075,China;2.School o f Zhuhai,Jilin U niversity ,Zhuhai 519041,China)Abstract:Descri bes the basic structure of BP neural netw ork in order to s olve the inhere problem of precocity and refraini ng partly.Some basi c concepts of particle sw arm opti mizer are introduced bines the advantages of them through comparing and analyzing some problems concerned to them.W hat .s more,the concept of particle .s vector shift i s used in algorithm PSO.Based on this,improved algo -rithm PSO i s used to train BP n eural netw ork.T his experiment is done w ith a market .s consum ption data.As a result,it is better to use improved algorithm PSO than traditional algorithm PSO or BP alone not only i n velocity but in preci sion of convergence.Key words:BP neural netw ork ;particle sw arm optimizer;vector shift;veloci ty of convergence0 引 言近年来,BP 网络广泛应用于诸多领域并取得了很好的效果。

基于PSO-BP 算法的压力传感器温度补偿研究李强，周轲新（西安理工大学自动化学院，陕西西安710048）摘要：硅压力传感器在工业环境中使用时，尤其是用于测量油井井下压力的时候，环境温度变化范围通常比较大．硅压力传感器由于其自身结构的原因，输出压力值会呈现非线性变化，大大的降低了压力传感器的测量精度．本文是基于PSO-BP 神经网络方法对压力传感器在温度变化时产生的误差进行补偿修正，以达到系统精度要求．PSO-BP 算法的本意是使用PSO 算法用于对BP 神经网络的初始权值和阈值进行改进和筛选，然后再使用BP 网络对样本进行训练，以提高系统的泛化能力和稳定性．关键词：硅压力传感器；非线性变化；补偿修正；PSO-BP 算法中图分类号：TP183文献标识码：A 文章编号：0372-2112（2015）02-0412-05电子学报UＲL ：http ：//www．ejournal．org．cnDOI ：10．3969/j．issn．0372-2112．2015．02．032The Ｒesearch of the Pressure Sensor Temperature CompensationBased on PSO-BP AlgorithmLI Qiang ，ZHOU Ke-xin（School of Automation ，Xi ＇an University of Technology ，Xi ＇an ，Shaanxi 710048，China ）Abstract ：When silicon pressure sensor is used in industrial environments ，particularly for measuring downhole pres-sure in deep oil-well ，the ambient temperature range is always large．Because of its unique structure ，the value of pressure output appears nonlinear changes ，greatly reducing the measurement accuracy of pressure sensor．This article is based on PSO-BP neural network method used in pressure sensor compensating and correcting the error when temperature changes to reach the sys-tem accuracy requirements．The intention of PSO-BP algorithm is to improve the initial weights and screen the thresholds of BP neural network ，then train the samples by using BP neural network in order to improve the generalization ability and stability of system．Key words ：silicon pressure sensor ；nonlinear changes ；compensating and correcting ；PSO-BP algorithm1引言硅压力传感器在工业中应用非常广泛，但当应用于环境温度变化范围比较大的场合，尤其是在油井井下使用时，温度变化会对压力传感器的输出产生很大的影响．当温度变化时，硅压力传感器的输出一般呈现非线性变化，从而使得对压力传感器的输出进行补偿增加了不小的难度．压力传感器的温度补偿方法从结构上分为硬件补偿和软件补偿两种．其中硬件补偿方法精度很有限，而软件补偿方法相比硬件补偿精度更高，并且不增加成本．因此压力传感器的软件补偿方法被作为一个研究的热点．现在压力传感器的软件补偿方法主要分为查表法，牛顿插值法，曲线拟合法，BP 神经网络法等几种．查表法和牛顿插值法不适用于精度要求比较高的场合，而曲线拟合法相比精度较高，运算简单，是目前应用比较成熟的方法之一．在这几种方法中，BP 神经网络法补偿精度最高，但该方法一般对硬件要求比较高，并且初始的权值和阈值存在不确定性，这使得整个BP 网络的泛化能力存在很大偶然性．本文提出了一种硅压力传感器PSO-BP 网络补偿方法，该方法主要通过粒子群算法（PSO ）对BP 神经网络算法的初始权值和阈值进行改进和筛选，之后再对于压力传感器的温度进行补偿，提高泛化能力，降低偶然性．2PSO-BP 算法原理分析2.1BP 神经网络基本概念BP 网络在训练时会随机初始权值和阈值［1］．根据输入层、隐层和输出层相应的神经元个数，初始化对应的权值和阈值．当选择为三层神经网络时：收稿日期：2013-11-17；修回日期：2014-03-09；责任编辑：蓝红杰基金项目：陕西省科技统筹创新工程计划（No．2012KTCG01-13）第2期2015年2月电子学报ACTA ELECTＲONICA SINICA Vol．43No．2Feb．2015输入向量X=（x0，x1，…，xi，…，xn）T，其中x=－1为隐层神经元引入阈值设值的；隐层输出向量Y=（y，y 1，…，yj，…，ym）T，其中y=－1为输出层引入阈值设置的；输出层输出向量O=（o1，…，ok，…，ol）T，网络的期望输出d=（d1，…，dk，…，dl）；输入层到隐层之间的权值矩阵和阈值矩阵为：V=（v11，v12，…，v1j，…，v1m；v21，…，v 2m ；…；vi1…，vim；…；vn1，…，vnm）（1）B1=（b1，b2，…，bm）（2）隐层到输出层的权值矩阵和阈值矩阵为：W=（w11，w12，…，w1k，…，w1l；w21，…，w2l ；…；wj1…，wjl；…；wm1，…，wml）（3）B2=（b1，b2，…，bl）（4）式中i=1，2，…，n；j=1，2，…，m；k=1，2，…，l分别表示输入层，隐层，输出层的神经元数．当BP网络应用于压力传感器温度补偿时，输入为温度T和压力U，输出目标为实际压力P．所以输入维数n=2，输出维数l=1．隐含层的神经元个数选择为5个，即m=5．初始化时得到V，B1，W，B2的值分别为5*2，5*1，1*5，1*1维矩阵．再把这些矩阵变换成一维数组作为一组PSO算法的初始种群．2.2PSO改进BP网络权值和阈值步骤粒子群优化算法（Particle Swarm Optimization，PSO），源于生物社会学家对鸟群、鱼群或者昆虫捕食行为的研究，是一种实现简单、全局搜索能力强且性能优越的启发式搜索技术［2］．可视鸟群为粒子群，将食物视为全局最优解，将鸟群捕获食物的过程等价于粒子群寻找全局最优解的过程．PSO算法用于改进BP神经网络的过程如下：①把BP网络初始的权值和阈值V，B1，W，B2变成一列，作为PSO算法的一组初始种群，当初始种群为r 组时，记为x（r，s）．x（r，s）为一个粒子的初始位置，s为BP网络初始权值和阈值的个数s=n*m+m*l+m+ l，此处s=21．r为自己选择初始粒子群的初始种群个数，令r=1，2，…20．②初始化速度向量v（r，s），定义适配值函数f（x）．f （x）选择为newff创建的前向网络，x为阈值和权值，f（x）的最后结果为sim（net，In）．In为归一化好的校验数据．③计算每个粒子的适配值g（k），并记每个粒子的最优位置为pb，整个粒子群的全局最优的粒子位置记为pg．k为粒子二维位置标识符号．④对每个粒子进行更行，更新公式为：x（k+1）=x（k）+v（k+1）．（5）v（k+1）=wv（k）+c1*r and*（pb－x（k））+c2*r and*（pg－x（k））（6）w为惯性权重，c1为个体认知分量学习率，c2为全体社会认知分量学习率．⑤对每个粒子，将其适配值与其历史最好位置进行比较，若比历史位置更优，则重新记历史最优位置pb．⑥每个粒子的历史最优位置pb的适配值再与粒子群最优位置pg的适配值进行比较，若pb的位置优于pg，则记pb为pg．⑦重复④，⑤，⑥步骤，使最终得到训练完整个粒子群的最优位置pBest．2.3PSO算法的系数计算方式2．3．1惯性权值w惯性权值w是有Shi和Eberhart在1998年发表的论文中提出的［3］，用来控制速度的增加，改善PSO算法收敛性能．一般来说，较大的w将增强算法的全局搜索能力，较小的w则可提高局部搜索能力．为了提高系统的全局搜索性能，w可以选择为动态变化的．Eberhart和shi提出过惯性权值线性递减（L：inearly DecreasingWeight，LDW）的PSO算法进行搜索寻优．其关于惯性权值w的公式为：w=wmax－Ｒ（wmax－wmin）Ｒmax（7）其中Ｒ为当前迭代次数，Ｒmax为最大迭代次数．wmax和wmin为设置的最大、最小惯性权值．考虑到惯性权值w影响着PSO算法的全局和局部搜索能力，所以本文出了一种w大小可随适配值大小变化的改进方法，即可令w为：w=wmin+f（x）f（x）max（wmax－wmin）（8）f（x）为粒子当前位置的适配值，f（x）max为整个粒子群所出现的最大适配值，适配值f（x）越小代表代表当前位置越接近最优位置．所以公式（8）的意义是若当前位置的适配值f（x）较大时，表示偏离最优位置越远，则增大权值w的值，增加全局搜索能力．若当前位置的适配值f（x）较小时，表示离目标位置较近，则减小权值w的值，增加局部搜索能力．2．3．2认知学习率c1、c2学习率c1、c2分别是用来控制个体认知分量（pb－x（k））和群体认知分量（pg－x（k）），称为加速常数，均为非负数．c1、c2的确定一直没有明确的方法和公式，主要通过经验值确定合适的值，通常只能计算得到一个大概的范围，保证粒子群迭代处于收敛的范围内．已知粒子群的更新公式为公式（5）、（6）．为了计算学习率c1、c2要对更新公式进行简化和变形．首先省略rand项对公式（6）进行展开得到：314第2期李强：基于PSO-BP算法的压力传感器温度补偿研究v（k+1）=wv（k）+c1pb+c2pg－（c1+c2）x（k）（9）假设第k次计算的粒子的位置不为粒子的最优位置，则第k+1次的粒子最优位置仍为pb，再根据公式（5）和（9）推出：x（k+2）=x（k+1）+v（k+2）（10）v（k+2）=wv（k+1）+c1pb+c2pg－（c1+c2）x（k+1）（11）由公式（5）（9）（10）（11）整理可得：x（k+2）+（c1+c2－w－1）x（k+1）+wx（k）=c1pb+c2pg（12）已知c1pb+c2pg不为零，为一常数，得到公式（12）为常系数非齐次差分方程．先求其通解，设λk=x（k），为对应齐次方程一个解，带入公式（12）中得：λ2+（c1+c2－w－1）λ+w=0（13）其解为：λ1、2=－（c1+c2－w－1）ʃ（c1+c2－w－1）2－4槡w2（14）求解式（14），可求得常系数非齐次差分方程的解为x（k）．而在选择w、c1、c2值时，必须要保证粒子群迭代过程中x（k）趋于收敛，这样才能使得粒子群迭代时找到最优的位置．所以当k→ɕ时，x（k）要能趋于一常数，而不是发散的．对于常系数非齐次差分方程来说，要保证x（k）收敛，则‖λ1、2‖＜1，令c=c1+c2，w、c关系如下：（1）当（c1+c2－w－1）2－4w＞0，得到c2+w2－2wc－2c－2w+1＞0，再由‖λ1、2‖＜1，得c＞0和2w－c+ 2＞0．（2）当（c1+c2－w－1）2－4w=0，得到c2+w2－2wc－2c－2w+1=0，再由已知得到λ1=λ2=‖－（c－w－1）2‖＜1，得－3＜w－c＜1．（3）当（c1+c2－w－1）2－4w＜0，得到c2+w2－2wc－2c－2w+1＜0，当k→ɕ时，有x（k）→m，m为一常数，则0＜w＜1．综合以上w和c的关系如图1所示．如图可知c选择的区域必须在虚线框的范围内，这样才能保证粒子群算法是收敛的，同时使粒子群算法对BP网络的权值和阈值筛选时，达到最佳的全局最优解，得到最优的权值和阈值．3测试仿真本文所使用的数据是在宝鸡市渭滨华瑞传感技术研究所的实验室中测得，所选的压力传感器为俄华通公司的DM小型高输出型钛/硅-蓝宝石压力传感器，标定设备为活塞压力计和温控箱．实验测试数据如表1所示，压力单位为MPa，温度单位是℃：表1压力传感器现场测试数据压力/温度－1001020304050607080 0－10．29－6．95－3．55－1．690．772．824．656．307．749．17 3030．6533．0935．5136．6338．3039．5340．4841．4242．0842．95 3537．4139．7141．9742．9844．5145．6146．4447．2647．8148．57 4044．1846．3648．4549．3550．6951．6352．4553．2153．6254．18 4550．9452．9554．9055．6856．9357．7858．3658．9459．2659．79 5057．7159．5861．3662．0763．1363．8664．3264．7864．9965．41 5564．4766．2067．8068．3869．3469．9470．2870．6170．7271．02 6071．2572．8274．2874．7375．5576．0676．2676．4576．6576．60 7084．7686．0787．2087．4387．9788．1888．3244．4387．9187．86 8098．2099．24100．06100．06100．22100．33100．0999．7399．4499．05 90111．82112．56113．05112．83112．80112．51112．00111．48110．82110．32 100124．99125．50125．68125．30124．93124．46123．86123．05122．32121．45 414电子学报2015年在对数据进行测试仿真时，是从标定数据中挑选一部分数据作为样本训练数据，另一部分作为验证测试数据．在选择样本训练数据时要尽可能的包含标准温度和标准压力的最大值和最小值，并且最好是等间距的数据．为了检验PSO-BP算法的效果，我们还做了曲线拟合法和BP神经网络法的仿真，作为对PSO-BP 补偿算法的比较．评判标准为均方误差和最大误差两个标准．从表1中选出的样本数据行列值和测试数据行列值如表2和表3所示．表2样本温度和压力选择表温度（ħ）-1020406080压力（MPa）030456080100表3测试温度和压力选择表温度（ħ）010305070压力（MPa）3540505570903.1曲线拟合方法补偿结果曲线拟合方法用于压力传感器的温度补偿时的原理是通过实测压力p'和温度T确定多项式的系数［7］，最终满足如下关系：P=β0+β1P'+β2P'2+β3P'3+β4P'4曲线拟合法对测试数据补偿结果如表4所示．表4测试数据补偿结果压力\温度0（ħ）10（ħ）30（ħ）50（ħ）70（ħ）35（MPa）35．0035．4735．0734．9134．94 40（MPa）40．0340．4640．0439．9640．02 50（MPa）50．0050．4150．0549．9249．94 55（MPa）55．0055．3755．0554．9254．95 70（MPa）70．0270．3570．0570．0870．00 90（MPa）90．1390．3990．1090．0290．08由表4计算得到均方误差为0.1914，最大误差为：0.47MPa．3.2BP网络法补偿结果BP网络选择的样本温度和压力如表2所示，测试温度和压力如表3所示．最终的BP网络测试结果如表5所示．表5测试数据补偿结果压力\温度0（ħ）10（ħ）30（ħ）50（ħ）70（ħ）35（MPa）35．0035．0035．0034．9834．88 40（MPa）40．0240．0139．9840．0240．91 50（MPa）50．0049．9950．0049．9749．85 55（MPa）55．0054．9855．0054．9754．86 70（MPa）70．0170．0170．0570．1269．91 90（MPa）90．1390．0090．1590．0189．95由表5计算得到均方误差为：0．0751，最大误差为：0．15MPa．3.3PSO-BP网络法补偿结果与优势可以看出BP网络方法相比曲线拟合法用于压力传感器温度补偿时，精度有了很大的提高．使用PSO-BP网络补偿时，是应用PSO算法对BP 网络的权值和阈值进行改进筛选，最后应用改进后的BP网络进行补偿．补偿结果与BP网络补偿相似，但相对BP网络补偿方法来说，改进后的BP网络克服了初始权值和阈值的不确定性，提高的系统的可靠性和稳定性．为验证PSO-BP网络算法的可靠性和稳定性，分别用BP网络算法和PSO-BP网络算法连续训练测试30次，以均方误差和与最大误差作为评判标准．训练的前10次均方误差和最大误差如表6所示．表6测试数据补偿结果训练次数BP神经网络PSO-BP神经网络均方误差最大误差均方误差最大误差14．72920．220．10230．1720．06550．160．07030．1930．12650．390．05550．1240．07170．170．06750．1950．07200．140．06980．1660．37440．150．05040．1570．05700．130．08580．1780．07280．180．07640．1690．06780．170．06040．17100．06320．180．12860．18运行30次曲线图如图2所示．4结果分析由训练结果可知，BP神经网络能达到比曲线拟合514第2期李强：基于PSO-BP算法的压力传感器温度补偿研究法更高的精度．但BP 网络在连续运行中，每次达到的精度都不同，存在很大的波动和偶然性，精度没法保障．而PSO-BP 网络算法训练后，能把精度控制在一定范围内，提高了泛化能力，减小结果的波动和偶然性．在实际使用时，可根据系统的精度要求采集相应的样本数据量，精度要求越高，需要的样本数据越多．本文设计的算法用于项目基于嵌入式潜油电泵监测系统设计中，该项目中要求实现高精度采集井下潜油电泵的压力信号并传输到井上显示出来．由于PSO-BP 网络算法对硬件要求比较高，所以我们是在井上的嵌入式上位机上应用PSO-BP 网络算法对井下采集的压力信号进行温度补偿，以还原井下真实压力值，达到系统设计的精度要求．参考文献［1］施彦，等．神经网络设计方法与实例分析［M ］．北京：北京邮电大学出版社，2009．54－63．［2］孙增圻，邓志东，张再兴．智能控制理论与技术（第二版）［M ］．北京：清华大学出版社，2011，380－386．［3］张选平，杜玉平，秦国强，覃征．一种动态改变惯性权的自适应粒子群算法［J ］．西安交通大学学报，2005，39（10）：1039－1042．Zhang Xuan-ping ，Du Yu-ping ，et al．Adaptive particle swarm algorithm with dynamically changing inertia weight ［J ］．Journal of Xi ’an JiaoTong University ，2005，39（10）：380-386．（in Chinese ）［4］Jinxia Ｒen ，Shuai Yang．An improved PSO-BP networkmodel ［A ］．Third International Symposium on Information Science and Engineering ［C ］．Shanghai ，China ：IEEE ，2010．426－429．［5］Xiaoyan Jiang．Nonlinea errors correction of pressure sen-sor based on BP neural network ［A ］．Intelligent Systems and Applications ［C ］．Wuhan ，China ：IEEE ，2009．1－4．［6］廖倩倩，徐建中，席中．基于一种改进的PSO 算法在风力机叶片优化中的应用［J ］．工程热物理学报，2008，29（5）：773－776．Liao Cai-cai ，Xu Jian-zhong ，Xi Guang．Using an improved PSO algorithm in the wind turbine blades optimization de-sign ［J ］．Journal of Engineering Thermophysics ，2008，29（5）：773－776．（in Chinese ）［7］李强，梁莉，刘祯等著．具有温度补偿功能的智能压力传感器系统［J ］．仪器仪表学报，2008，29（9）：1934－1938．Li Qiang ，Liang Li ，et al．Intelligent pressure sensor system with temperature compensation ［J ］．Chinese Journal of sci-entific instrument ，2008，29（9）：1934－1938．（in Chinese ）［8］孙湘，周大为，张希望．惯性权重粒子群算法模型收敛性分析及参数选择［J ］．计算机工程与设计，2010，31（18）：4068－4071．Sun Xiang ，Zhou Da-wei Zhang Xi-wang．Convergence a-nalysis and parameter selection of PSO Model with inertia weight ［J ］．Computer Engineering and Design ，2010，31（18）：4068－4071．（in Chinese ）［9］苏亚，孙以材，李国玉．压力传感器热零点漂移补偿各种计算方法的比较［J ］．传感技术学报，2004，29（3）：572－576．Su Ya ，Sun Yi-cai ，Li Guo-yu．Comparing the different a-rithmetic methods for the offset Drift compensation of pres-sure sensor ［J ］．Journal of sensing technology ，2004，29（3）：572－576．（in Chinese ）［10］李国玉，孙以材，等．基于BP 网络的压力传感器信息融合［J ］．仪器仪表学报，2005，26（2）：168－171．Li Guo-yu ，Sun Yi-cai ，et al．Informationfusion of pressure sensor based on BP network ［J ］．Chinese Journal of Sci-entific Instrument ，2005，26（2）：168－171．（in Chinese ）［11］张耀锋，孙以材，邢晓辉．基于人工神经网络的压力传感器的温度补偿［J ］．电子学报，2008，36（2）：358－361．Zhang Yao-feng ，Sun Yi-cai ，Xing Xiao-hui．The tempera-ture forpressure sensor based on artificial neural network ［J ］．Acta Electronica Sinica ，2008，36（2）：358－361．（in Chinese ）作者简介李强男，1964年生于陕西西安，副教授，研究方向为嵌入式计算机系统．1982年毕业于陕西机械学院获得学士学位，1991年于西安理工大学获得硕士学位．从事LF 精炼炉过程控制系统、潜油电泵监测系统等项目．E-mail ：qiangli@xaut．edu．cn周轲新男，1987年生于陕西西安，硕士，就读于西安理工大学，检测技术与自动化装置专业，研究方向为嵌入式计算机系统，参与潜油电泵监测系统项目．E-mail ：zhoukexin@126．com614电子学报2015年。

基于改进PSO的BP网络的研究及应用的开题报告一、课题研究的背景和意义BP神经网络作为一种传统的人工神经网络模型，其具有强大的非线性拟合能力和适应性，因此在许多领域得到了广泛的应用。

但是，BP神经网络也存在一些不足，如易陷入局部最优解、收敛速度慢等问题。

粒子群优化（PSO）算法是一种优化算法，在全局搜索和寻找最优解方面具有很强的优势。

因此，将PSO算法应用于BP神经网络的训练中，可以有效地克服BP神经网络的不足，提高其训练的效率和精度。

本课题旨在研究改进PSO算法，并将其应用于BP神经网络的训练中，以求解神经网络中的权值和阈值，以达到更快、更准确的训练目的。

在此基础上，进一步探索改进PSO算法在其他优化问题中的应用，为实际问题的求解提供更加高效的优化手段。

二、研究内容和方案（一）研究内容1、分析传统BP神经网络存在的问题，介绍PSO算法及其原理。

2、详细介绍改进PSO算法，根据PSO算法的缺陷，提出一种改进的PSO算法，如加入惯性因子、多目标优化等策略，提高算法的全局搜索能力。

3、将改进PSO算法应用于BP神经网络的训练中。

利用改进的PSO 算法训练BP神经网络，对比传统BP神经网络和改进后的BP神经网络的性能，如收敛速度和精度等指标。

4、进一步探索改进PSO算法在其他优化问题中的应用。

（二）研究方案1、收集相关文献，对传统BP神经网络和PSO算法进行了解，了解两种算法的优点、缺点和改进方法。

2、设计改进PSO算法的策略。

根据文献综述，结合实际问题，提出加入惯性因子、多目标优化等策略，提高算法的全局搜索能力。

3、实现改进PSO算法。

基于Matlab或Python平台，编写改进PSO算法的程序代码，验证其有效性。

4、应用改进PSO算法训练BP神经网络。

基于Matlab或Python平台，编写BP神经网络的训练程序，利用改进PSO算法和传统PSO算法训练BP神经网络，比较两者的性能，并进行分析。

5、探索改进PSO算法在其他优化问题中的应用。

PSO算法优化BP神经网络王雷【期刊名称】《《黑龙江科技信息》》【年(卷),期】2018(000)034【总页数】2页(P38-39)【关键词】PSO算法; BP神经网络; 梯度下降法; 收敛速度【作者】王雷【作者单位】中国人民武装警察部队海警学院浙江宁波 315801【正文语种】中文【中图分类】TN929.51 BP神经网络介绍BP神经网络的网络结构一般分三层，输入层、隐含层、输出层，每个层都有固定的节点数，具体视控制系统而定，网络结构图如下图所示。

图1 多层网络结构图BP神经网络要应用到具体系统中去，首先要对网络进行初始化，BP神经网络的初始化就是设置网络各层间的权值和阈值的初始大小。

一般的，当我们用函数newff 创建一个新的网络后，系统会自动地给定权值和阈值的初始大小，但是一般默认的初始值均为0。

确定好权值和阈值后就可以进行训练，在训练过程中，随着结果的输出，可以将结果与期望进行比较得到误差，而整个误差大小函数就是性能函数net.performFcn，为了使性能函数达到最优，我们就需要来不断地调整网络各层的权值和阈值大小。

BP神经网络的学习和训练可以采用两种模式—adapt（）和train（）。

在BP神经网络的学习训练中，要选取网络输出和期望输出的均方误差大小函数作为性能函数，最后输出结果是否准确完全靠性能函数值大小进行判断，当然差值的绝对值越小越好，如果函数值不满足要求，就需要对各层权值和阈值沿负梯度方向来进行调整，然后再进行循环，直至网络输出与期望输出无限接近为止。

在整个过程中，假设在第k个循环过程中的性能指标调整公式为：式中xk表示第k个循环过程中的权值和阈值，而xk+1表示第k+1个循环过程中的权值和阈值，ak表示网络的学习速率，gk表示第k个循环过程中的梯度大小值。

上述的整个过程就是梯度下降法，上述的公式就是梯度下降法的表达式，该算法主要分为两种模式，其中第一种是批处理模式，而另外一种则是递增模式，这两种模式各有不同。

基于PSO优化BP神经网络的多传感器数据融合朱菊香;谷卫;罗丹悦;潘斐;张赵良【期刊名称】《中国测试》【年(卷),期】2022(48)8【摘要】针对室内环境监测中单一传感器测量数据精度低、可靠性差的问题,提出一种基于粒子群(particle swarm optimization,PSO)优化BP神经网络多传感器数据融合算法。

首先使用防脉冲干扰平均滤波算法来消除检测数据中的异常数据和噪声数据。

其次,利用卡尔曼滤波算法对多同类传感器进行数据级融合,有效地降低因噪声干扰导致的测量误差,为异质传感器进行决策级融合提供最佳数据。

最后,采用PSO优化BP神经网络算法进行决策级融合。

实验结果表明,基于PSO优化BP神经网络多传感器数据融合算法对测试样本的平均绝对百分比误差(mean absolute percentage error,MAPE)和拟合度(r^(2))均优于BP神经网络和自适应加权(adaptive weighted,AW)优化BP神经网络,且运行时间比BP神经网络以及AW-BP神经网络分别短69.31%、50.36%。

经验证,基于PSO优化BP神经网络多传感器数据融合算法具有更高的融合精度,同时缩短了算法的运行时间。

【总页数】7页(P94-100)【作者】朱菊香;谷卫;罗丹悦;潘斐;张赵良【作者单位】无锡学院轨道交通学院;南京信息工程大学自动化学院【正文语种】中文【中图分类】TP391;TP183【相关文献】1.基于改进PSO的多传感器数据自适应加权融合算法2.基于PSO—BP的无线传感器网络数据融合算法研究3.基于动态权值的PSO算法的多传感器数据融合4.基于BP神经网络的多传感器数据融合技术优化5.基于改进灰狼算法优化BP神经网络的无线传感器网络数据融合算法因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO的BP神经网络研究基于粒子群优化（Particle Swarm Optimization，PSO）的反向传播（Backpropagation，BP）神经网络是一种常用的机器学习算法。

该方法结合了PSO和BP神经网络的优点，通过优化网络的权重和偏差来提高BP神经网络的性能。

在这篇文章中，我们将深入探讨基于PSO的BP神经网络的研究。

首先，我们来了解一下BP神经网络。

BP神经网络是一种多层前馈神经网络，通过一种称为反向传播的算法来学习和优化网络的权重和偏差。

BP神经网络具有一个或多个隐藏层，每个隐藏层都有一定数量的神经元。

每个神经元的输出由输入层和上一层的神经元的输出加权和经过一种非线性激活函数计算得到。

通过反向传播算法计算误差，并使用梯度下降法来更新权重和偏差，以最小化误差。

然而，传统的BP神经网络容易陷入局部最小值，并且需要大量的计算资源和时间来调整网络的权重和偏差。

为了解决这些问题，研究人员提出了基于PSO的BP神经网络。

PSO算法模拟了鸟群觅食的行为，每个个体（粒子）都有一定的位置和速度。

PSO算法通过更新每个粒子的位置和速度来最优解。

在基于PSO的BP神经网络中，每个粒子代表一个BP神经网络的权重和偏差。

PSO算法通过迭代更新，使粒子在空间中移动，以寻找最佳解决方案。

在基于PSO的BP神经网络中，每个粒子的适应度值由其对应的BP神经网络的误差计算得到。

通过比较每个粒子的适应度值，PSO算法可以找到全局最优解或接近最优解的解决方案。

基于PSO的BP神经网络具有许多优点。

首先，PSO算法具有全局能力，可以避免陷入局部最小值。

其次，PSO算法的并行计算能力可以加速网络的训练过程。

此外，PSO算法的参数设置相对较少，使得算法易于实现和使用。

然而，基于PSO的BP神经网络也有一些挑战和限制。

首先，初始化粒子群的位置和速度可能会影响到算法的收敛性和性能。

其次，PSO算法可能需要大量的迭代次数来最优解。

1 引言(Introduction )神经网络是从生理结构来模拟人类大脑的工作机制，具有很强的逼近能力，自适应和自学习能力。

目前广泛使用网络为BP 网络和RBF 网络。

BP 网络能得到广泛应用的原因：Hornik 证明了三层的BP 网络能以任何精度逼近任何非线性函数[1]。

RBF 网络中隐藏层工作原理是多维插值原理，具有极好逼近能力，但隐藏层神经元个数会随输入维数增加而快速增加，所以训练后网络的隐藏层神经元个数往往很大，以及当测试样本与已训练的样本有一定的差别时，泛化效果很差，这也是RBF 网络没有得到很好推广的重要原因[2]。

基本BP 算法是梯度下降法，是一种非线性优化过程，因此带来诸多问题，如训练时间长，训练速度慢，“遗忘”已训练过样本，易于陷入局部极值。

不少的学者对基本的梯度下降法进行改进。

共轭梯度法在很多文献中都有研究，在此不再赘述。

Levenberg-Marquardt 法[3]，能在很短时间内使训练样本达到训练精度；通过在训练样本过程中，不断改变训练样本的顺序，则能克服训练样本次序给网络影响；通过全局最优算法寻找全局最优解。

粒子群算法（Particle Swarm Optimization ），也即是PSO ，是一种全局随机寻优的算法[4-6]。

针对基本BP 网络的缺点，有学者将PSO 算法应用到神经网络权值修改中[7,8]。

PSO 算法最关键步骤是适应度函数和粒子的速度变化。

对于训练神经网络，PSO 算法的适应度函数通常为训练样本的均方差。

对于粒子速度的变化，主要有二种方案：第一，随着训练次数进行，不断改变w 的值。

w 是粒子的全局寻找能力和局部寻找能力的平衡参数。

在粒子群寻优开始阶段，w 取值大一点，增加全局寻优的能力，在粒子的寻优后期阶段，则w 取值小一点，即增加局部寻优的能力，使算法收敛。

在此方案有二种方法：w 的改变一般随着训练次数的增加线性的减少[9]，或者先线性减小，然后非线性减少[10]。

基于LM-PSO算法和BP神经网络的非线性预测控制
王炳萱;李国勇;王艳晖
【期刊名称】《太原理工大学学报》
【年(卷),期】2016(47)2
【摘要】针对非线性系统,提出了一种基于BP神经网络的预测控制方法.以BP神经网络建立多步预测模型并预测系统输出值,用LM (Levenberg-Marquardt)算法和PSO (Particle Swarm Optimization)算法组合的混合算法对目标性能指标函数进行滚动优化求解,得到非线性系统的最优控制量;利用误差修正参考输入法实现反馈矫正.通过将粒子群算法引入LM算法,克服了LM算法依赖初值和粒子群算法过早收敛于局部极值的问题,提高了求解的运行速度和精确度.通过对单变量非线性系统仿真实验,证明了该控制系统具有良好的稳定性、自适应性和鲁棒性.该方法可在数学模型不确定的情况下设计出有效的预测控制器.
【总页数】5页(P207-211)
【作者】王炳萱;李国勇;王艳晖
【作者单位】太原理工大学信息工程学院,太原 030024;太原理工大学信息工程学院,太原 030024;太原理工大学信息工程学院,太原 030024
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于BP神经网络的非线性预测控制 [J], 黄越洋;李平;刘宣宇
2.基于综合误差加权系数的非线性预测控制算法 [J], 戴永彬;郑率
3.基于粒子群优化的非线性预测控制算法的特性分析与仿真研究 [J], 戴永彬
4.基于机理模型的精馏塔组分非线性预测控制算法 [J], 朱燎原;张小艳;赵均;徐祖华
5.一种基于机理模型的非线性预测控制改进算法 [J], 孙鹏;赵均;徐祖华
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO-BP神经网络的电子政务绩效评价模型介绍随着信息技术的快速发展，电子政务已成为政府管理的重要手段。

电子政务绩效评价是电子政务管理中的一个重要环节。

本文提出了一种基于PSO-BP神经网络的电子政务绩效评价模型，该模型有助于解决传统方法在许多方面的不足，提高绩效评价的准确性和有效性。

研究内容电子政务绩效评价模型绩效评价模型是评价绩效质量的重要工具。

在本文中，我们提出了一种二级评估模型，包括聚类和分类两个部分。

在聚类部分，我们采用K-Means聚类算法来划分不同的绩效指标。

在分类部分，我们使用BP神经网络来训练模型并预测电子政务绩效指标。

模型的评价标准采用方差分析法。

PSO-BP神经网络PSO-BP算法将粒子群优化算法和BP神经网络相结合，能够有效地克服BP神经网络的缺点，如易陷入局部最优解、训练时间长等。

该算法的核心思想是在神经网络的权重和阈值调整中，采用PSO算法来寻找最佳解。

研究方法数据预处理在此研究中，我们使用来自国家统计局的2018年电子政务指标数据。

我们将原始数据进行标准化处理，以确保不同指标具有相同的影响因素。

K-Means聚类在实施K-Means聚类算法时，我们选取了4个指标进行聚类分析，它们是“信息公开度”，“在线支付率”，“电子签章率”和“网上申请率”。

通过设定聚类数值为2，我们将数据分为两类。

BP神经网络在实施BP神经网络时，我们将数据集划分为训练集和测试集，比例为7:3。

我们使用PSO-BP算法对神经网络进行训练，修改权重和阈值的参数。

我们还选择MSE为评价指标进行训练。

模型评价为了评估模型的有效性和准确性，我们选择使用方差分析法来进行评估。

在此过程中，“在线支付率”和“网上申请率”两个指标与其他两个指标均匀分布，我们通过方差分析找到每个指标的均方差，以评估模型。

结果分析经过模型训练和数据评估，我们得出了准确、稳健的电子政务绩效评价模型，该模型基于PSO-BP算法，将K-Means聚类和BP神经网络相结合，大大提高了绩效评价的准确性和有效性。

! 16卷第4期 南京师范大学学报(工程技术版）2016 年 12 月JOURNALOFNANJINGNORMALUNIVERSITY(ENGINEERINGANDTECHNOLOGYEDITION)Vol. 16 No. 4 Dec,2016doi ：10.396F/j.issn. 1672-1292.2016.04.010PSO算法在3D打印喷头温度传感器非线性特性校正中的应用陈丽，刘益剑，郭爱琴，程继红(南京师范大学电气与自动化工程学院，江苏南京210042)[摘要]将微粒群优化(PS0)算法应用于3D打印喷头温度检测系统的非线性特性校正.在温度传感器特性无法准确获取的情况下，给出了基于P S0算法和逆模型实现非线性特性的线性化校正的一般实现思路和步骤.首先对采集到的样本进行特征分析，提炼出温度传感器非线性特性的逆模型，再利用P S0算法对逆模型中未知参数进行优化求解，从而实现了 3D打印喷头温度非线性特性的线性化校正.最后，对3D打印喷头温度检测系统进行了实验研究，对比了逆模型的P S0参数优化求解和M J J曲线拟合求解的实验结果，验证了本文基于PS0的喷头温度非线性特性的线性化校正方法的可行性，并可以扩展到一般非线性传感器的线性化校正应用中.[关键词]微粒群算法，3D打印喷头，逆模型，温度传感器，非线性[中图分类号]TP212 [文献标志码]A [文章编号]1672-1292(2016)04-0057-04Application of PSO Algorithm to Nonlinear Characteristics Correctionof 3D Printing Nozzle Temperature SensorChen Li，Liu Yijian，Guo Aiqin，Cheng Jihong(School of Electrical and Automation Engineering，Nanjing Normal University，Nanjing 210042,China)A bstract：In this paper，the Particle Swarm 0ptimization(PS0)algoritlim is applied to nonlinear characteristic adjustmentof 3Dprinting nozzle temperature s ensor. 0n the occasion that the nonlinear characteristic of the sensor is not available，ageneral methiod and a n implementation procedure for linearization of thie nonlinear sensor based on inverse model are pro­posed in this paper. Firstly，the sample data are obtained and analyzed. Then the inverse model of temperature sensor is giv­en and the parameters in the inverse model are optimized by the PS0. And based on the optimized inverse model，the g〇aof the linearization o f the sensor nonlinear characteristic is realized. At last，the experiments are conducted，and the inversemodel of PS0 parameters o ptimization and Matlab curve fitting solution of thie experimental results are compared. The re­sults vaidate the methiod proposed in this paper effective and it can be generalized to othier nonli Key words ：particle swarm optimization(PS0)algorit]im，3D printing nozzle，inverse model，temperature sensor，nonlinear20世纪80年代末、90年代初发展起来的3D打印（three dimensional printing，也称快速成型、增材制造等)技术，突破了传统的加工模式，可快速地制造形状极为复杂的工件，被认为是近20年制造技术领域的一次重大突破[1].而3D打印喷头是3D打印机的关键部件之一，其机械结构复杂，在运行过程中，会受到温度的影响，因此喷头温度的稳定是保证喷头吐丝连续均匀的关键.但是喷头温度检测系统中的传感器特性往往是非线性的.在传感器特性无法准确获知的情况下，需要对实验得到的传感器非线性特性曲线进行线性化校正，而校正的精度又会直接影响测量系统的精度.因此，研究学者对非线性传感器的校正进行了很多研究[M].其中硬件校正法成本高、效果差，且不易扩展到其他非线性传感器应用；曲线拟合法[—5]需建立在最小二乘法基础上，应用方便，但是要求被辨识的参数具有线性关系；而以微粒群优化（Parile Swarm0pt l m1Zat1〇n，PS0)为代表的进化算法，能够处理参数本质非线性的优化求解，具有算法简单和全局寻优能收稿日期：2〇16-06-17.基金项目：国家自然科学基金（61304227、61273114).通讯联系人:刘益剑，博士，副教授，研究方向：非线性系统理论、机器人3D打印.E-mail:63055@南京师范大学学报（工程技术版)第16卷第4期（2016年)力，在优化、网络训练和 整定等许多领域中得到应用[7?2].决3D 打印喷 度检测 的非线性校正 ，在对比了曲线拟合法、硬件校正法、微粒群优化(PSO)等算法之后，Kennedy和Eberhart等人提出的P S O 算法喷度检测t的非线性校正.首先通过对温度传感 的 ，给出基 的非线性校正方法，然后利用P S O 算法对 中的 在一定的性能指标下 优 ， Matlab曲线拟合 的实验 精度对比，最后结合3D 打印喷 度实验，验 的基于P S O 的传感器非线性校正方法的有效性.1 3D 温度检测系统的逆模型线性化校正假设3D 打印喷头温度传感器的输人为Q 输出为电 压信号〇,而喷头温度传感器的变换关系〇=/(Q 未知，温度传感器非线性校正的 1所.3D 打印温度传感器的非线性校正的目标， 终测量得到的Q 正比于被测量的温度值Q 从而达到线性 化测量的目的.由图1可知，如果非线性校正环节的特性2( 0)=.= ( Q)，即取温度传感器的逆模型，则就能够实现温度传感器的非线性校正;但是问题在于/(Q)未知，所以逆模型关系无法直接得到.本文采用由 据 点分析确定温度传感器的$假设逆模型函数的拟合方程为T '=an U > +a …_i /"-1 + -+ai /!+«〇=«/，⑴式中，系数！=(3…，3…_1，31，3〇)4，/=[/，1]4，>的大小由非线性特性复杂程度决定，若>=3，则有T= a3U 3+a2U 2+a 1 U 1+a 0，(2)式中，33,3$，31，3〇定常数，即需的.采用P S O 算法优的流程[7?2]，在的情况下，就 优 得 !的确定需定的准则，下的残余标准差作为辨识准则，同时也作为P S O 的适应度 ，即+ [T (!) -T(!)]2k = 1：-1 ，式中，/km <s 为适应度评价函数;T 为校正函数的输出；T 为实际输出；：为训练样本点个数.2基于PSO 算法的3D 打印喷头温度非线性特性校正AT )-----► _ -图1传感器非线性校正系统结构Fig, 1 Structure of sensor nonlinearcorrection system 2.1训练 集在3D 打印喷度检测系统中，2所电路的测温电路，T H E R M 1 电路输口，连接3D 打印喷头的温度传感器;E -T H E R M 1 输出端口，信号范0~5 1,连接的接口，经A/D 转换成数字编码信号.通过将3D 打印喷头加热，利用串口显示不同温度时的电压测量值，共选取21组测量数据作为训练样本，1所.+5V表1温度传感器训练样本Table 1 Training data for temperature sensor度T /r电压O/V度T /r 电压O/V度T /r 电压O/V25 4.775 546 4.494 967 4.028 128 4.745 549 4.440 170 3.946 131 4.712 452 4.381 373 3.860 734 4.676 055 4.318 576 3.772 237 4.636 258 4.251 879 3.680 840 4.592 861 4.81 082 3.586 7434.545 8644.06 4853.490 4陈丽，等:PSO 算法在3D 打印喷头温度传感器非线性特性校正中的应用根据表1的训练样本点，绘制出温度传感器的逆模型曲线，如图3所.2.2逆模型的PSO 参数优化求解通过对曲线的分析， 线性拟合 不了精度的要， 高 的测量精度，使输出具有较高的数据拟合度，项 合曲线r =a $ U 2+ai Ul +a 0， (4)式中，3,3i，3%定$在 确定情况下，利 P S O 算法优的 $=[3,31，3%].其中，利 粒群算法优的流程4所.据P S O 算法编写实现优化的P S O 算法程序;在P S O 优 中，根据经验选取待定 的取值范围$3%,(-200，100)，ai , (0,200)，3$ , (-100，100);参数.=1.3~0.2,表 惯性 1.3 线性衰减到0.2;加度常数（=0，（=0.5;5种群 ；=30;优 的 3个，故取53.2.3结果分经过P S O 优化求解，得到参数3$ = -19.353 5,31 = 114.701 5,3 = -79.938 5,性能指标/i t n e s s = 0.694 8.跟训练样本同样的实验手段，得到另外21组测试样 本，2所亦.表2温度传感器的验证样本点Table 2 Validation data of temperature sensor度r /r 电压O/V度r /r 电压O/V度r /r 电压O/V26 4.765 947 4.477 068 4.001 129 4.734 850 4.420 971 3.918 032 4.700 653 4.360 874 3.831 635 4.663 156 4.296 777 3.742 038 4.622 159 4.228 680 3.649 741 4.577 662 4.156 683 3.554 8444.529 2654.080 7843.522 7UN图3温度传感器逆模型训练样本曲线Fig. 3 Training data curve of the inversemodel of temperature sensor图4 P S O 参数优化求解流程图Fig. 4 The flowchart of PSO parameteroptimization针对验证样本点，将32,31，30的值代人式(4)中，计算出不同r 时的r 的值，绘制校正曲线和实际测量得到的曲线， 5(a)所， 看出：训练曲线和验证曲线拟合的很好，其残余标准差仅为0.704 4.与的PSO方法进行对比，Matlab中的非线性数据拟合lsqcurvefit命令对中的 ，得 优 32 = -19.745 3,31 = 119.487 6,3。

基于PSO的BP神经网络学习算法王爱平;江丽【期刊名称】《计算机工程》【年(卷),期】2012(038)021【摘要】For the standard Back Propagation(BP) algorithm usually has the limitations of slow convergence and local extreme values, a new BP neural network learning algorithm based on Particle Swarm Optimization(PSO) is proposed. The main idea of the model is to modify weight and threshold using PSO based on the weight adjustments of gradient descent method in BP algorithm. It evaluates the model by using simulation test of five typical complex functions and compares it with other two models including standard BP network and traditional PSO based BP network. Experimental results show that it can overcome the limitations of slow convergence and local extreme values for BP network and perform better than other two kinds of optimized BP network models.%针对标准反向传播(BP)算法收敛速度慢和易陷入局部极值等缺陷,提出一种基于粒子群优化的BP神经网络学习算法.采用标准BP梯度下降法调整权值,利用粒子群优化算法进行网络权值及阈值的修正.将该算法与标准BP算法及传统基于粒子群优化BP网络算法进行仿真比较.实验结果表明,该算法能够克服标准BP算法的缺点,性能优于其他2个BP网络优化模型.【总页数】4页(P193-196)【作者】王爱平;江丽【作者单位】安徽大学计算机科学与技术学院,合肥230601;安徽大学计算机科学与技术学院,合肥230601【正文语种】中文【中图分类】TP312【相关文献】1.基于PSO-BP神经网络算法的设计施工耦合 [J], 彭军龙;刘义2.基于改进PSO-BP神经网络算法在一般盗窃犯罪预测中的应用 [J], 朱小波; 次晋芳3.基于PSO-BP神经网络的网络时延预测算法 [J], 时维国;雷何芬4.基于SA-PSO-BP神经网络算法的超短期风电出力预测 [J], 康宏伟;李强;于硕;姚顺5.基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测 [J], 周定义;左小清因版权原因，仅展示原文概要，查看原文内容请购买。

PSO算法优化BP神经网络的应用研究
关成立;杨岳
【期刊名称】《信息技术与信息化》
【年(卷),期】2018(0)8
【摘要】为有效处理各领域非线性复杂系统问题,并克服传统BP神经网络存在的网络学习收敛速度慢,以及容易陷入局部极小等问题,引入粒子群算法PSO.通过介绍BP神经网络及PSO算法的基本原理,综述了PSO-BP神经网络仿真预测模型在农业、工业机械、环境科学及社会经济等领域的应用研究,表明该模型的广泛适用性及应用价值.
【总页数】3页(P66-68)
【作者】关成立;杨岳
【作者单位】阳江职业技术学院广东阳江 529566
【正文语种】中文
【相关文献】
1.PSO算法优化BP神经网络的金融风险预警研究 [J], 李凌霞;郝春梅;王红丽
2.PSO算法优化BP神经网络 [J], 王雷
3.PSO算法优化BP神经网络 [J], 王雷
4.PSO算法优化BP神经网络 [J], 王雷
5.基于新型PSO算法优化BP神经网络的软件缺陷预测方法研究 [J], 邓伟康;刘锋;朱二周
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO-BP神经网络的无线传感器网络定位算法
闫驰
【期刊名称】《电子科技》
【年(卷),期】2016(029)004
【摘要】针对无线传感器网络定位的基本功能问题.提出一种将PSO算法和BP神经网络相结合对RSSI在测距阶段测得的距离数据进行优化的算法.该算法将PSO 算法作为BP神经网络的学习算法,缩短了BP神经网络的训练时间,并加快算法的收敛速度.通过仿真,定位精度较其他算法得到了明显提高,最高可达27.3％.
【总页数】4页(P56-58,62)
【作者】闫驰
【作者单位】兰州交通大学电子与信息工程学院,甘肃兰州730070
【正文语种】中文
【中图分类】TN926
【相关文献】
1.基于PSO-BP算法的无线传感器网络定位优化 [J], 卞国龙;黄海松;王安忆;于凯华
2.基于PSO-BP神经网络的人体穴位定位系统设计 [J], 杨向萍;吴玉丹
3.基于PSO-BP神经网络的煤矿井下自适应定位算法 [J], 崔丽珍;许凡非;王巧利;高丽丽
4.一种基于人工神经网络的无线传感器网络定位算法 [J],
5.一种基于人工神经网络的无线传感器网络定位算法 [J], 徐奇
因版权原因，仅展示原文概要，查看原文内容请购买。