基于人工鱼群算法和BP神经网络的时间序列预测研究

格式：pdf
大小：1.07 MB
文档页数：2

下载文档原格式

改进人工鱼群算法优化小波神经网络的变压器故障诊断

改进人工鱼群算法优化小波神经网络的变压器故障诊断贾亦敏;史丽萍;严鑫【摘要】针对油浸式变压器故障类型的复杂难辨,结合油中气体分析法,提出一种基于改进人工鱼群算法优化小波神经网络的故障诊断模型.基于经典三层小波神经网络,采用粒子化的人工鱼群算法对小波神经网络输入和输出层的权值、小波神经元的伸缩和平移系数进行修正,通过引入动态反向学习策略实时优化人工鱼分布,迭代后半程采用基于柯西分布的自适应人工鱼视野范围提高算法精度.结果表明,该改进鱼群算法优化的小波神经网络相比标准粒子群算法优化小波神经网络和标准鱼群算法优化小波神经网络,诊断速度更快,准确率更高.【期刊名称】《河南理工大学学报（自然科学版）》【年(卷),期】2019(038)002【总页数】7页(P103-109)【关键词】变压器;故障诊断;小波神经网络;改进人工鱼群算法;粒子群优化算法;动态反向学习策略【作者】贾亦敏;史丽萍;严鑫【作者单位】中国矿业大学电气与动力工程学院,江苏徐州221116;中国矿业大学电气与动力工程学院,江苏徐州221116;国网上海市电力公司市北供电公司,上海200940【正文语种】中文【中图分类】TM4110 引言变压器自19世纪80年代问世以来，一直是电力系统的关键设备之一，受到了广泛关注和研究。

在整个输配电系统中，变压器作为核心组成部分占据着至关重要的地位，其性能的优劣直接影响整个供配电系统的经济效益与安全性。

在实际生产中，能否快速准确诊断或预测变压器已有故障或潜伏性故障，与电网能否安全稳定密切相关[1]。

基于油浸式变压器故障时油中会产生较多气体的油中气体分析法(dissolved gas analysis，DGA)自提出以来，已成为国内外实际应用最广泛的变压器故障诊断方法，该方法主要通过故障气体量与故障类型间数学关系进行判断，经典应用有三比值法与大卫三角法等。

近年来，许多新理论被应用于变压器故障诊断，主要有模糊算法[2]、支持向量机[3]、免疫算法[4]、粗糙集理论等，取得了一定成果。

基于BP神经网络的流溪河水库短期水位预报

基于BP神经网络的流溪河水库短期水位预报2 河北省智慧水利重点实验室河北邯郸 0560383 上海勘测设计研究院有限公司上海 200434；4 中国长江三峡集团有限公司湖北武汉 430010摘要：流溪河水库作为广州市唯一的大型水库，研究其调度运行对于广州市的防汛抗旱具有重大意义。

水位是水库维持正常运作的一个重要参数，也是水库实时调度的基础。

为预测流溪河水库水位实时变化，本文采用BP神经网络方法，构建了流溪河水位预报模型，模型以预报断面前期水位、上游断面前期水位和区间面雨量为输入参数，对流溪河水库进行了预见期为3h、6h、12h和24h的水位预报。

结果表明：（1）该模型能够较好实现流溪河水库的短期水位预报，各预见期精度均达到甲级标准；（2）不同预见期的精度各有差异，其中3小时预见期的精度最高。

研究结果证明了该方法的可行性和高精度，可应用于流溪河水库的运行和其他相关工作。

关键词:水位预测；BP神经网络；流溪河水库；预见期1引言流溪河水库是广州市唯一一座集防洪、灌溉、发电、养殖、旅游于一体的大型水库[1]。

水位是水库保持各种功能平衡的重要指标。

在水库运行中，多目标综合调度是水库的主要任务，水位预测是水库运行的基础。

随着机器学习技术的发展，基于深度学习的预测模型逐渐成为一种新的发展趋势。

要震等人[2]建立了基于遗传算法(GA)优化Elman神经网络的河流水位预测模型，该模型具有收敛速度快、精度高等优点；纪国良等人[3]将灰色模型和神经网络模型相结合进行水位预报，结果表明比单独运用灰色模型或者神经网络模型预测精度更高；Ashaary等人[4]研究了神经网络预测水库水位的潜力，通过建立6个不同的神经网络模型并进行比较，结果建运用前期长达2天的水库水位的变化数据进行建模时，预报结果最优。

由此可知，BP神经网络在水位预报领域的大量应用实例均获得了不错的效果，已日趋成熟。

本文构建了流溪河水库水位预测模型，探讨了其对流溪河水库水位预测的潜力，从而为流溪河水库的运行提供可靠的水位预测结果。

基于粒子群优化的BP神经网络

基于粒子群优化的ＢＰ神经网络【摘要】人工神经网络的优化学习是其研究中的一个重要课题。

将粒子群优化算法用于BP神经网络的学习，将粒子优化算法的全局搜索和BP神经网的局部搜索相结合，并设计一网络实例加以训练，达到了比较满意的效果。

【关键词】粒子群优化算法BP神经网络BP算法BP网络(Back Propagation Network)是用途最为广泛的一类神经网络，具有很强的信息处理能力。

但是，由于BP算法的基本思想是最小二乘法，采用的是梯度搜索技术，难免存在收敛速度慢、局部极小等问题。

粒子群优化算法(Particle Swarm Optimaziton，简称PSO )是由Kennedy J和Eberhart R C于1995年提出的一种优化算法，源于对鸟群和鱼群群体运动行为的研究。

由于其容易理解，易于实现，不要求目标函数和约束条件是可微的，并能以较大概率求得全局最优解，目前已在许多优化问题中得到成功应用。

由于它具有并行计算的特点，而且可以提高计算速度。

因此，可以用粒子群优化算法来优化BP网络。

一、BP神经网络及其算法BP网络是一种具有三层或三层以上的单向传播的多层前馈网络，其拓扑结构如图1。

图1 拓扑结构图BP算法的执行步骤如下：(1)对各层权系数置一个较小Wij的非零随机数。

(2)输入一个样本X=(X1，X2，…，x n)，以及对应期望输出) Y=(y1，y2，…，yn)。

(3)计算各层的输出。

对于第k 层第i个神经元的输出有：Uki=∑WijXk-1i，Xki=f(Uki)(一般为sigmoid 函数，即f(x)=1/(1-epx(-x))。

(4)求各层的学习误差dki。

对于输出层，有，k=m，dmi=Xmi(1-Xmi)(Xmi-Ymi)。

对于其他各层，有dxi=Xki(1-Xki)∑Wijdk+1i。

(5)修正权系数Wij。

Wij (t+1)=Wij-η•dki•Xk-1j。

基于人工鱼群优化LS-SVM的卫星钟差预报

ｆｏｒｅｃａｓｔｓｈｏｒｔｔｅｒｍｃｌｏｃｋｅｒｒｏｒ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆＬＳ— ＳＶＭｂａｓｅｄｏｎｍｏｄｅｌｉＳｓｕｐｅｒｉｏｒｔｏｔｈｅｏｔｈｅｒｍｏｄｅｌｓ。ｅｓｐｅｃｉａｌｌｙｉｎｔｈｅｆｉｅｌｄｏｆｒｕｂｉｄｉｕｍｃｌｏｃｋ；ｔｈｅｅｒｒｏｒｉｓｌｅｓｓｔｈａｎ０．５ｎｓ，ａｎｄｒｕｎｎｉｎｇ
核宽度参数的选择与确定对预报结果有较大的影
１．２人工鱼群优化ＬＳ— ＳＶＭ钟差预报方法设人工鱼个体状态Ｘ＝（，ｚ。， …，ｚ），其中ｚ（一１，２， …，）为各寻优变量；人工鱼个体当前所在位置的食物浓度Ｙ一，（Ｘ）；ｄ为各人工鱼个体间的距离；Ｖｉｓｕａｌ为人工鱼个体的视野范围；Ｓｔｅｐ为人工鱼个体的移动步长；为拥挤度因子。人工鱼个体行为数学描述见文献Ｅ６３。
之一，时频的测量精度直接影响系统的导航、定位和
授时精度。精密单点定位（ＰｒｅｃｉｓｅＰｏｉｎｔＰｏｓｉｔｉｏ — ｎｉｎｇ，ＰＰＰ）中通常采用国际ＧＰＳ服务组织（Ｉｎｔｅｒ — ｎａｔｉｏｎａｌＧＰＳＳｅｒｖｉｃｅ，ＩＧＳ）或其数据分析中心提供

基于神经网络的短期水文预测方法

基于神经网络的短期水文预测方法短期水文预测是水文学中的重要研究领域，对于水资源管理和防洪减灾具有重要意义。

随着神经网络技术的发展和应用，基于神经网络的短期水文预测方法逐渐成为研究的热点。

本文将探讨基于神经网络的短期水文预测方法及其应用，分析其优势和不足，并展望未来发展方向。

一、引言随着气候变化和人类活动的影响，水资源管理和防洪减灾等问题变得越来越复杂。

准确预测未来一段时间内的降雨量、径流量等水文要素对于科学合理地管理和利用水资源具有重要意义。

传统的统计方法在一定程度上可以满足需求，但受到数据特征复杂、非线性关系等问题的限制。

二、基于神经网络的短期水文预测方法1. 神经网络原理神经网络是一种模拟人类大脑工作方式而设计出来的计算模型。

它由大量简单处理单元（神经元）相互连接而成，并通过学习调整连接权值以实现特定的功能。

神经网络具有自适应性、非线性映射能力和并行处理能力等特点，适用于处理复杂的非线性问题。

2. 数据预处理在应用神经网络进行短期水文预测之前，需要对原始数据进行预处理。

预处理包括数据清洗、缺失值填补、异常值检测和数据标准化等步骤，以提高神经网络模型的准确性和鲁棒性。

3. 神经网络模型构建基于神经网络的短期水文预测方法通常采用前馈神经网络（Feedforward Neural Network）模型。

该模型由输入层、隐藏层和输出层组成，其中隐藏层可以有多个。

输入层接收水文要素数据，输出层给出对未来水文要素的预测结果。

隐藏层负责对输入数据进行非线性映射和特征提取。

4. 神经网络训练与优化神经网络模型需要通过训练来学习输入与输出之间的映射关系。

常用的训练算法包括误差反向传播算法（Backpropagation）和Levenberg-Marquardt算法等。

在训练过程中，可以采用交叉验证方法评估模型的泛化能力，并通过调整网络结构和参数来优化模型性能。

三、基于神经网络的短期水文预测方法的应用1. 降雨预测基于神经网络的短期降雨预测方法能够通过历史降雨数据和其他气象要素数据，准确地预测未来一段时间内的降雨量。

人工鱼群算法的分析及改进

1、引入动态调整策略
在AFSO算法中，随着迭代次数的增加，鱼群的全局最优解可能逐渐偏离真正的最优解。这是由于在寻优过程中，鱼群可能会陷入局部最优陷阱。为了解决这个问题，我们引入了动态调整策略，即根据算法的迭代次数和当前的最优解，动态地调整鱼群的搜索范围和搜索速度。
2、增加随机扰动
在AFSO算法中，鱼群通常会向当前的全局最优解集中。这可能会导致算法过早地陷入局部最优陷阱。为了解决这个问题，我们引入了随机扰动。即在每次迭代时，随机选择一部分鱼，将其位置和速度进行随机扰动，以增加算法的探索能力。
2、计算适应度：对于每一条鱼，计算其适应度函数值（通常是目标函数值），这个值代表了这条鱼的“健康”状况。
3、比较适应度：将每条鱼的适应度与全局最优解进行比较，更新全局最优解。
4、更新领头鱼：随机选择一条鱼作为领头鱼，然后根据一定的规则，如最小距离规则，选择其他鱼跟随领头鱼。
5、更新鱼群：根据领头鱼的位置和行为，更新其他鱼的位置和行为。
4、多种群并行搜索：通过将搜索空间划分为多个子空间，并在每个子空间中独立运行AFSA，我们可以实现多种群的并行搜索。这种并行搜索方法可以显著提高算法的搜索速度和效率。
四、结论
本次演示对人工鱼群算法进行了详细的分析和改进。通过引入混沌理论、变异机制和自适应调整参数等方法，我们可以有效地提高AFSA的全局搜索能力和效率，避免算法过早地陷入局部最优解。多种群并行搜索方法也可以显著提高算法的搜索速度和效率。这些改进方案为AFSA在实际应用中的广泛应用提供了有力的支持。
感谢观看
3、引入学习因子
在AFSO算法中，每个鱼会根据自身经验和群体行为来调整自己的方向和位置。然而，这个学习因子通常是固定的。为了提高算法的收敛速度和精度，我们引入了可变的学习因子。即根据算法的迭代次数和当前的最优解，动态地调整学习因子的大小。

人工鱼群算法ppt全

人工鱼群算法基本原理讲解
XX大学
汇报人：XX
目录
Here is your Content
>
1 引言
2 鱼群模式概论
3 鱼群算法的寻优原理
4 鱼群算法的实现
5 算法的收敛性分析
6 总结
>
LOGO
1
引言
在自然界中，多样的物种共同生活在一起，通过漫长的自然界的优胜劣汰，形成了各自的觅食和生存方式。但是动物一般不具有人类复杂的逻辑思维和判断能力的高级智能，它们只具有简单的行为能力，这些为人类解决问题的思路带来了不少启发和鼓舞。动物行为具有以下的特点:
设人工鱼当前状态为Xi，探索当前邻域内的伙伴数目nf及中心位置Xc。
若 Yc / n f Y，i 表明伙伴中心有较多食物且不太拥挤，则朝伙伴的中心位置方向前进
一步，即
X t 1 i
Xti
Xc
X
t i
Xc Xti
Step Rand
否则，执行觅食行为。
追尾行为
• 追尾行为
鱼群在游动过程中，当其中一条鱼或几条鱼发现食物时，其邻近的伙伴会尾随
XV X XV X
Step Rand
其中Rand()函数为产生0到1之间的随机数；Step为步长
参数系统
人工鱼个体的状态可表示为向量
，其中
为欲
X寻为V 优目 X的标变函Vis量数ua；值l 人；Ra工人nd鱼工当鱼前个所体在之位间置的的距食离物表浓示度为表示为
觅食行为
聚群行为
追尾行为
随机行为
鱼群算法在对以上四种行为进行评价后,自动选择合适的行为,从而形成了一种高效快速的寻优策略。

汽轮机振动故障诊断技术研究

汽轮机振动故障诊断技术研究摘要：对汽轮机典型的振动类型和振动故障的诊断技术进行了研究。

根据故障诊断方法在信号处理与理论模型的不同，将诊断技术分为，基于信号处理的诊断方法、基于知识的诊断方法、基于解析模型的诊断方法、基于离散事件的诊断方法。

研究表明，基于各种故障诊断方法在检测信号、知识获取、识别故障位置及适用条件等均有不同的优势和侧重。

关键词：汽轮机故障诊断小波神经网络1、引言二十世纪以来，随着工业生产和科学技术的发展，机械故障的可靠性、可用性、可维护性与安全性问题日益突出，从而促进了人们对机械设备故障机理及诊断技术的研究汽轮机是电力生产的重要设备，由于其结构的复杂性和运行环的特殊性，汽轮机的故障率较高，而却故障危害也很大。

汽轮发电机组常见的机械振动故障有：转子不平衡、转子弯曲、转子不对中、油膜振荡、碰摩、转子横向裂纹和转子支承系统松动等。

汽轮机振动故障的汽轮机最常见的故障，因此，汽轮机的振动故障诊断一直是故障诊断技术应用中非常重要的部分。

2、基于信号处理的振动故障诊断方法信息的采集和处理是实现机组振动检测与故障诊断中的一个基本环节、也是振动检测软件的核心技术。

现代信息分析主要包括两种形式：一种是以计算机为核心的专用数字式信号处理仪器，另一种是采用通用计算软件来进行信号分析的方式。

2.1小波变换方法这是一种新的信号处理方法，是一种时间—尺度分析方法，具有多分辨率分析的特点。

利用小波变换可以检测信号的奇异性。

因噪声的小波变换的模的极大值随着尺度的增大而迅速衰减，而小波变换在突变点的模的极大值随着尺度的增大而增大(或由于噪声的影响而缓慢衰减)，即噪声的lipschitz指数处处小于零，而在信号突变点的lipschitz指数大于零(或由于噪声的影响而等于模很小的负数)，所以可以用连续小波变换区分信号突变和噪声。

同样，离散小波变换可以检测随机信号频率的突变。

孙燕平等应用了小波分析理论，采用多分辨分析和小波分解等基本思想对汽轮机转子振动信号进行了分析，针对振动信号的弱信号特征，提出了基于离散小波细化频率区间，小波分解后进行能量谱分析和小波变换结合傅立业变换分析法，并将其应用于模拟转子试验台上。

基于多组群教学优化的随机森林预测模型及应用

基于多组群教学优化的随机森林预测模型及应用李月玉;崔东文;高增稳【摘要】为有效提高水文预测预报精度,提出了一种基于多组群教学优化(MGTLO)的随机森林(RF)预测方法,利用MGTLO算法对RF两个关键参数进行优化,构建MGTLO-RF预测模型,并与基于MGTLO算法优化的支持向量机(SVM)、BP神经网络两种常规预测模型作对比分析.以云南省龙潭站月径流和年径流预测为例进行实例研究,利用前44 a和后10 a资料对MGTLO-RF等3种模型进行训练和预测.结果表明:所提出的MGTLO-RF模型具有更好的预测精度和泛化能力,可作为水文预测预报和相关预测研究的一种有效工具.【期刊名称】《人民长江》【年(卷),期】2019(050)007【总页数】5页(P83-86,91)【关键词】径流预测;多组群教学优化算法;随机森林;参数优化【作者】李月玉;崔东文;高增稳【作者单位】昆明理工大学城市学院,云南昆明650021;云南省文山州水务局,云南文山663099;昆明理工大学城市学院,云南昆明650021【正文语种】中文【中图分类】P331 研究背景提高径流预测精度一直是水文预测预报中的热点和难点。

由于受自然条件、人类活动等众多确定性因素和随机因素的影响，径流的形成和变化过程非常复杂，致使常规的回归分析、数理统计等方法用于径流预测预报难以达到理想的应用效果。

近年来，一些非常规方法被尝试用于径流预测预报，并获得较好的预测效果，如BP、GRNN、RBF神经网络法[1-3]、支持向量机法[4-5]、集对分析法[6-7]、投影寻踪回归法[8]、小波分解混合法[9-10]、组合预测法[11]。

随机森林(random forest，RF)是由Leo Breiman提出的一种集成机器学习方法，可应用于分类问题、回归问题以及特征选择问题，主要利用Bootstrap重抽样方法从原始样本中抽取多个样本，对每个Bootstrap样本进行决策树建模，然后组合多棵决策树通过投票方式得出最终评价结果[12]，可有效避免“过拟合”和“欠拟合”现象的发生，对解决多变量预测具有很好的效果，被誉为当前最好的机器学习算法之一[13-14]，已在各领域及径流预测[15]中得到应用。

人工智能概论(新)

一、单选(共计50分,每题2.5分)1、卷积神经网络的激活函数是（）。

A. 阶跃函数B. S型函数C. ReLU函数D. 线性函数错误:【C】2、BP神经网络的激活函数是（）。

A. 阶跃函数B. S型函数C. ReLU函数D. 线性函数错误:【B】3、如果八数码问题的启发式函数定义为当前格局与目标格局位置不符的数码数目，请问以下当前状态的启发式函数值（）A. 3B. 4C. 4D. 6错误:【A】4、以下第一个被提出的神经元数学模型是（）。

A. M-P模型B. BP模型C. Hopfield模型D. CNN模型错误:【A】5、刘明的母亲是教师，用谓词逻辑可以表示为Teacher（mother（Liuming））这里mother（Liuming）是（）。

A. 常量B. 变元C. 函数D. 一元谓词错误:【C】6、轮盘选择方法中，适应度函数与选择概率的关系是（）。

A. 正比例相关B. 负比例相关C. 指数相关D. 不相关错误:【A】7、已知CF1(H)=-0.5 CF2(H)=0.3,请问结论H不确定性的合成CF1,,2(H)=?（）。

A. -0.2B. -0.15C. -0.8D. -0.29错误:【D】8、MYCIN系统中使用不确定推理，规则E→H由专家指定其可信度CF（H，E），若E不支持结论H为真，那么可以得到以下结论？（）。

A. CF（H，E）=0B. CF（H，E）>0C. CF（H，E）<0D. CF（H，E）=-1错误:【C】9、李明的父亲是教师，用谓词逻辑可以表示为Teacher（father（Liming））这里father（Liming）是（）。

A. 常量B. 变元C. 函数D. 一元谓词错误:【C】10、在遗传算法中，将所有妨碍适应度值高的个体产生，从而影响遗传算法正常工作的问题统称为（）。

A. 优化问题B. 迭代问题C. 功能问题D. 欺骗问题错误:【D】11、在当前人工智能领域主要使用的程序设计语言是（）。

基于ARIMA与神经网络集成的GDP时间序列预测研究

基于ARIMA与神经网络集成的GDP时间序列预测研究一、概述随着全球经济的不断发展，GDP（国内生产总值）时间序列预测成为经济学、金融学等领域的研究热点。

准确的GDP预测对于政策制定、投资决策、市场预测等方面具有重要意义。

GDP时间序列受到多种因素的影响，如政策调整、市场需求、自然灾害等，呈现出高度的非线性和不确定性。

单一的预测方法往往难以准确捕捉GDP时间序列的复杂特征。

近年来，随着人工智能技术的发展，神经网络在时间序列预测领域展现出强大的潜力。

神经网络通过模拟人脑神经元的连接方式，能够自适应地学习数据的内在规律，从而实现复杂非线性系统的建模和预测。

另一方面，ARIMA（自回归移动平均模型）作为一种经典的统计预测方法，在时间序列分析中具有广泛的应用。

ARIMA模型通过拟合数据的自回归和移动平均过程，能够捕捉时间序列的线性特征。

为了克服单一预测方法的局限性，提高GDP时间序列预测的准确性，本文提出了一种基于ARIMA与神经网络集成的预测方法。

该方法将ARIMA模型和神经网络相结合，充分利用两者的优势，以实现对GDP时间序列的准确预测。

具体而言，首先利用ARIMA模型对GDP时间序列进行线性拟合，提取出线性特征将ARIMA模型的残差作为神经网络的输入，利用神经网络学习非线性特征。

通过集成ARIMA模型和神经网络的预测结果，可以综合利用线性和非线性信息，提高预测精度。

本文将对基于ARIMA与神经网络集成的GDP时间序列预测方法进行详细的研究和探讨。

介绍ARIMA模型和神经网络的基本原理和优缺点阐述基于ARIMA与神经网络集成的预测方法的构建过程通过实验验证该方法的预测性能，并与其他常见的预测方法进行比较分析。

本文的研究旨在为GDP时间序列预测提供一种新的思路和方法，为相关领域的研究和实践提供参考和借鉴。

_______时间序列预测的重要性时间序列预测，特别是GDP时间序列预测，在现代经济分析和政策制定中占据着至关重要的地位。

人工鱼群算法课件

面临的挑战与问题
局部最优解
人工鱼群算法容易陷入局部最优解，导致搜索过程停滞不前。
参数设置
人工鱼群算法的参数设置对搜索结果影响较大，如何合理设置参数是关键问题。
适用性问题
人工鱼群算法在处理大规模、高维度问题时性能下降，需要改进算法以适应更复杂的问题。
解决方案与建议
混合优化算法
将人工鱼群算法与其他优化算法结合，如遗传算法、粒子群算法等，以提高搜索性能。
03
人工鱼群算法的实现过程
初始化
随机初始化鱼群
在解空间中随机生成一定数量的鱼，每条鱼代表一个潜在的解。
设置初始参数
包括最大迭代次数、视野范围、步长等，这些参数对算法的性能和收敛速度有重要影响。
行为模拟
觅食行为
01
每条鱼根据自身的感知能力在解空间中随机游动，寻找更优的
解。
聚群行为
02
根据鱼群中其他鱼的分布情况，判断是否聚集到中心区域，以
自适应参数调整
根据搜索过程动态调整人工鱼群算法的参数，以避免陷入局部最优解。
强化学习
借鉴强化学习的思想，通过与环境的交互不断调整策略，提高搜索性能。
THANK YOU
详细描述
多群体协同进化策略将问题划分为多个子问题，并为每个子问题分配一个独立的鱼群进行优化。每个鱼群采用不同的优化策略和参数，以适应其对应的子问题的特性。通过多群体协同进化，算法能够同时从多个角度探索解空间，提高全局搜索能力和收敛速度。
混合优化策略
总结词
混合优化策略结合了多种优化算法的优点，以提高人工鱼群算法的性能。通过将不同的优化算法与人工鱼群算法相结合，可以弥补人工鱼群算法的不足，提高其求解复杂问题的能力。

【国家自然科学基金】_洪水分类_基金支持热词逐年推荐_【万方软件创新助手】_20140731

推荐指数 3 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
53 万年尺度 54 landsattm影像数据 55 k均值聚类
1 1 1
2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
科研热词洪水黄河中游飓风风险分析长江三峡库区衡水湖湿地自然保护区自然灾害脉冲耦合神经网络模型研究进展生态环境需水量生态保护环境考古灾害灾后重建滞流沉积物滞后效应淹没区域海河流域海啸洪水能级洪水灾情评价汛限水位水土流失模糊k-means聚类模拟退火晋陕峡谷崩岗地震地貌学合成孔径雷达古洪水事件动态控制分类全新世环境演变全新世人类活动人水和谐主成分分析法丹江口水库 log算子 bp模型
2008年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
科研热词洪水分类长江流域宜昌站评价模型经济评价经济价值组合预报神经网络生态系统服务功能洪水灾情河流生态系统汇流参数水文预报模糊聚类分析模糊推理模拟精度最小生成树无约束投影寻踪模型支持向量机多目标模糊优选克隆选择人工鱼群算法人工免疫
2011年科研热词洪水分类遥感信息评估聚类数统计降尺度紫坪铺水文站生态系统服务功能生态环境需水熵权洪水模型洪水水文模型水文极端事件气候变化模糊聚类曲线投影拦洪计算径流模拟影响尺度问题小水库塘坝大凌河土地利用变化可变模糊集可变模糊聚类迭代模型可变指标权重动态聚类指标不确定性 swat模型 copula函数推荐指数 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

基于前馈补偿的比例电磁阀控制方法

基于前馈补偿的比例电磁阀控制方法孙菊妹【摘要】比例电磁阀工况复杂,具有非线性、时变性等变化特点,传统控制方法难以对其进行精确控制,存在响应时间长,超调量大等弊端.为了解决当前比例电磁阀控制过程中的难题,为了获得理想的比例电磁阀控制效果,设计了一种基于前馈补偿的比例电磁阀控制方法.首先根据比例电磁阀的工作特点,建立比例电磁阀非线性变化的传递函数,然后采用复合控制器对比例电磁阀稳定性进行控制,实现比例电磁阀控制误差前馈补偿,并引入人工鱼群算法优化神经网络对PID控制器参数进行在线优化,最后在MATLAB 2016平台上与传统比例电磁阀控制方法进行了仿真模拟对比测试.实验结果表明,本文方法可以很好跟踪比例电磁阀的时变特性,改善了比例电磁阀的控制效果,缩短了响应时间,控制实时性更好,减少了超调量,比例电磁阀的整体控制效果要明显优于比对方法,具有更高的实际应用价值.【期刊名称】《电子器件》【年(卷),期】2019(042)001【总页数】5页(P106-110)【关键词】比例阀;人工鱼群算法;非线性变化;PID控制器;神经网络【作者】孙菊妹【作者单位】常州工程职业技术学院智能装备与信息工程学院,江苏常州213164【正文语种】中文【中图分类】TH137比例电磁阀采用比例控制技术,工作过程十分简单,价格低廉,具有较强的抗油污、抗噪能力,而且控制精度高,成为工业控制系统的核心部件,广泛应用于各行各业中,如冶金、机械,对其进行研究具有十分重要的实际应用价值。

在比例电磁阀的工作过程中,由于各种因素的综合影响和干扰,如电流、温度等,使得比例电磁阀具有非线性、时变性和非平稳性等变化特点,对工业控制系统的控制性能和稳定产生影响,难以保证理想的工作状态,因此如何设计高精度的比例电磁阀控制方法成为一个重要的研究课题[1-3]。

针对比例电磁阀控制问题,国内外学者采用多种技术和手段进行了一系列的研究,设计了许多比例电磁阀控制优化方法[4]。

人工鱼群算法

算法实现
▪ 鱼群中的每条人工鱼均为一组实数，是在给定范围内产生随机数组。例
如，鱼群大小为N，有两个待优化的参数 x，y，范围分别为[x1,x2]和
[y1,y2],则要产生一个2行N列的初始鱼群，每列表示一条人工鱼的两个参
数
Xi|n =0
Xj = Xi + rand()*Visual
n=n+1
NO
Yj/ nf > δYi,表明最优伙伴
的周围不太拥挤，则Xi朝此
伙伴移动一步:
否则，执行觅食行为
▪ 目标函数（即食物浓度函数）是用来求人工鱼当前位置的食物浓度，其实就是求给定变
量的函数值，例如计算以下函数的最大值：
▪
f(x)=xsin(10π)+2.0 ,-1≤x ≤1
▪ 此时的食物浓度函数如下：
Xi
确定di,j < Visual 的伙伴数目nf 及其中Yj 最大
的伙食Xj
Y
n
j
> δYi
NO
f
YES
Xi|next =Xi + rand * Step *
X
|| X
j
j

X
X
i
i
||
Xi 进行觅食行为
人工鱼Xi搜索当前邻域
内（ dij <Visual ）的伙伴中
的函数Yj最优伙伴Xj，如果
0.618
觅食最大试探次数
100
移动步长
0.3
算法分析
在求极大值问题中: δ=1/(αnmax), α∈(0,1]
其中α为极值接近水平，nmax为期望在该邻域内聚集的最大人工鱼数目。
在求极小值问题中： δ=αnmax , α∈(0,1]

基于改进人工鱼群算法优化的 BP神经网络预测控制系统

为了确保ＢＰ神经网络的初始权值和阈值能快速准确地收敛到全局最小值，需在线对其参数进行优化。鉴于传统滚动优化方法的控制精度、实时性不高等缺陷，需要提高滚动优化的速率。因此，笔者设计一种改进的人工鱼群算法（Ｉｍ
ｐ（ｋ）＝［ｙ（ｋ），ｙ（ｋ－１），…，ｙ（ｋ－ｎｙ＋１），ｕ（ｋ－ｄ＋１），
…，ｕ（ｋ－ｄ－ｎｕ＋１）］Ｔ
（２）
记ｐ（ｋ）为向量，则有向量的阈值Ｒ＝ｎｙ＋ｎｕ。
构造一个ＢＰ神经网络，将输入设为向量ｐ（ｋ），输
出为ｙｍ（ｋ＋１），并利用试验测量的输入输出时间序列值来训练该神经网络，那么经过训练的ＢＰ
６１０
化工自动化及仪表第４６卷
基于改进人工鱼群算法优化的ＢＰ神经网络预测控制系统
黄丽华李俊丽
（昆明理工大学信息工程与自动化学院）
摘要为了使传统的ＢＰ神经网络预测控制的收敛速度更快、准确率更高，提出一种改进的人工鱼群算法。分别用ＢＰ神经网络、ＰＳＯＢＰ神经网络和ＩＡＦＳＡＢＰ神经网络来优化预测控制系统的建模部分和滚动优化部分，并进行仿真试验，结果表明：ＩＡＦＳＡＢＰ神经网络优化后的预测模型精度更高，并且滚动优化部分的响应速度加快，控制系统更稳定。关键词ＢＰ神经网络预测控制优化改进人工鱼群算法极值寻优中图分类号ＴＨ８６２文献标识码Ａ文章编号１０００３９３２（２０１９）０８０６１００５

基于人工鱼群的PID神经网络非线性系统控制

［7 ］［8 ］
。另外，它的结构清晰，控制器设计简单，便于实际应。由于 PID 神经网络是一种新型神经网络，缺少训练算。这样 BP 算法存在的初始权值难以确定，训练结
3
流浆箱的 PID 神经网络控制器设计
PID 神经网络是三层前向神经网络，它的输入层采用比
法的研究，许多文献都是采用 BP 算法进行权值的训练
［4 ］［7 ］［8 ］
隐含层是由比例元、积分元和微分例神经元接收外部信息，元组成的，分别对输入信号进行比例、积分和微分运算，输出完成整个网络控制规律的综合和层神经元采用比例神经元，输出。它包含了具有静态性能的比例神经元和具有动态性能的积分和微分神经元，是一种本质性的动态网络，容易适应在构成控制系统时不必再附加其它部件，控制系统的要求，它的输入信号也不需经过网络外部的微分和积分处理。 3． 1 PID 神经网络控制器设计流浆箱的总压和浆位受到风机转速和浆泵转速控制，是二输入二输出非线性耦合系统。根据流浆箱系统特点，设计 r1 接受总压给定值， r2 接受浆位给定了 PID 神经网络控制器。 y2 接受浆位实际值。 PID 神经网络对值； y1 接受总压实际值，流浆箱的总压和浆位信息进行融合处理后，输出浆泵转速控制量 v1 和风机转速控制量 v2 。流浆箱的 PID 神经网络控制原理框图如图 2 所示。
果易陷入局部极值，精度不高的缺点就凸现出来。对此，本文进一步研究了人工鱼群算法训练 PID 神经网络的方法和步骤。人工鱼群算法（简称 AFSA ）是一种模拟鱼群行为的具有简单易行，不易陷入局部极值，而且对参智能寻优算法，具有较强的鲁棒性和较好的收敛性能数设置不敏感，

matlab数学建模30个案例分析

案例4：基于微分方程的最优捕鱼策略
为了保护人类赖以生存的自然环境，可再生资源（如渔业、林业资源）的开发必须适度，一种合理、简化的策略是，在实现可持续收获的前提下，追求最大产量或最佳效益。考虑对某种鱼的最优捕鱼策略：假设这种鱼分4个年龄组：称1龄鱼，…,4龄组,各年龄组每条鱼的平均重量分别为5.07，11.55，17.86，22.99（克）各年龄组鱼的自然死亡率均为0.8（1/年）这种鱼为季节性集中产卵繁殖,平均每条4龄鱼的产卵量为1.109× 个，3龄鱼的产卵量为这个数的一半，2龄鱼和1龄鱼不产卵产卵和孵化期为每年的最后4个月,卵孵化并成活为1龄鱼，成活率（1龄鱼条数与产卵总量n之比）为1.22 × /1.22× +n）
案例12：基于主成分分析的长江水质的评价和预测模型
运用主成分分析法对长江流域主要城市水质检测报告进行分析，选取主成分，并把主成分得分按方差贡献率加权求和，得出每个地区的污染综合评价指数，进而可以计算每个月长江流域的污染综合评价指数。
第三部分优化问题
案例13：基于线性规划求解飞行管理模型
第二部分评价问题
案例7：基于层次分析法的高考志愿选择策略
一年一度的高考结束后，许多考生面临估分后填写志愿的决策过程。这个决策关系重大，请你建立一个数学模型，帮考生考虑到各种决策因素使之能轻松应对这一重大决策。成都丙、重庆丁四所大学。
现有某市直属单位因工作需要，拟向社会公开招聘8名公务员。该单位拟将录用的8名公务员安排到所属的7个部门，并且要求每个部门至少安排一名公务员。这7个部门按工作性质可分为四类：(1)行政管理、 (2)技术管理、(3)行政执法、(4)公共事业。
招聘领导小组在确定录用名单的过程中，本着公平、公开的原则，同时考虑录用人员的合理分配和使用，有利于发挥个人的特长和能力。招聘领导小组将7个用人单位的基本情况（包括福利待遇、工作条件、劳动强度、晋升机会和学习深造机会等）和四类工作对聘用公务员的具体条件的希望达到的要求都向所有应聘人员公布。每一位参加面试人员都可以申报两个自己的工作类别志愿。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

P神经网络的时间序列预测研究
中北大学机械工程与自动化学院叶超姚竹亭
【摘要】时间序列的普遍存在性使得对于它的预测有着极为深刻的意义和丰富的内涵。本文研究了时间序列的相关理论和方法，将人工鱼群算法和BP神经网络应用于时间序列预测中，讨论了人工鱼群算法与BP神经网络在时间预测中的优劣，以及其有效性和实用性。【关键词】人工鱼群算法；BP神经网络；时间序列；预测
图1 基于人工鱼群算法和BP神经网络的计算流程
图2 基于BP神经网络时间序列预测模型的部分程序
-110-
规模为N，每个人工鱼看为一个前向神经网（U 1 U 2）络，任意两人工鱼个体的和或差 (U 1 U 2 ) 其中i，j∈{0，1，.，N—l})仍看作不同神经网络：待寻优神经网络的参数设有权值矩阵 [wij ] 和 [vki ] ，其中 [wij ] 为第i个隐层神经元与第j个输入神经元之间的权值， [vki ] 为第k个输出神经元与第i个隐层神经元之间的权值；阈值向量 [ wio ] 和 [vko ] ，而 [ wio ] 为第i 个隐层神经元的阈值， [vko ] 为第k个输出神经元的阈值；其参数也随着人工鱼的迭代进化而不断优化。设神经网络的输入和输出节点分别为 S 和 P ，而网络隐层节点数一般取输入输出节点的平均值，以Sigmoid函数作为BP网络的激励函数，根据前向网络计算算法求出相应每组输入样本的网络输出结果；把网络输出均方误差的倒数作为改进人工鱼群算法的适应函数(食物浓度)Y来指导人工鱼群的进化。通过人工鱼群算法的优化搜索来训练神经网络的权值和阈值，当神经网络输出均方误差指标达到最小时，搜索出就是最优BP网络，而该网络相应的权值和阈值等参数也是最佳的。其算法的适应函数表示如下：
参考文献 [1]李晓磊,邵之江,钱积新.一种基于动物自治体的寻优模式:鱼群算法[J].系统工程理论与实践,2002,22(11):3238. [2]张冬,明新国等.基于BP神经网络和设备特性的工业设备备件需求预测[J].机械设计与研究,2010,26(1):7277. [3]康进,刘敬伟.非参数回归估计与人工神经网络方法的预测效果比较[J].统计与决策,2009(23):153-155. [4]王西邓.人工鱼群算法的改进研究[D].西安:西安建筑科技大学,2007. [5]李晓磊.一种新型的智能优化方法——人工鱼群算法[D].杭州:浙江大学,2003. [6]魏崇辉,金福禄,何亚群.基于粗糙集和神经网络的空军航材消耗预测方法[J].东南大学学报(自然科学版),2004,34(Sup):68-70. [7]Martin T.Hagan Howard B.Demuth Mark H.Beale. 神经网络设计[M].戴葵,等译.北京:机械工业出版社,2006. 作者简介：叶超（1987—），男，湖北黄冈人，中北大学机械工程与自动化学院硕士研究生在读。
图3 仿真结果
-111-
》》
科研发展
只能得到系统的满意解域；当寻优的区域较大，或处于变化平坦的区域时，收敛到全局最优解的速度变慢，搜索效率劣化；算法一般在优化初期具有较快的收敛性，而后期却往往收敛较慢。这些算法本身存在的问题，在一定程度上也影响了算法的实际应用[5]。在当今已经有许多的研究方向，首先采用人工鱼群算法拟合时间序列并求出大量的数据训练神经网络，弥补了历史数据缺乏的问题；然后用训练好的神经网络代替传统的最小二乘法拟合时间序列因素，从而求出预测值。仿真结果表明，此模型能够有效地改善模型的拟合能力并提高预测精度。为实现更好的预测，有时采用神经网络，但前馈神经网络结构难以确定，运用BP算法时又极易陷入局部解。本文将改进人工鱼群算法与 BP算法相结合的IAFSA+BP算法，实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络利用MATLAB/SIMULINK进行传感器控制系统的建模仿真实验结果表明，该算法具有良好辨识效果[6]。 2.2 方法的计算流程与实施步骤由于BP神经网络存在对初始参数要求高、学习收敛速度慢，网络性能差，优化权值时容易陷入局部极小值等缺陷。而人工鱼群算法具有对初值和参数要求不高，克服局部极值、更好地协调全局和局部搜索能力等优点。因此，将人工鱼群算法与BP算法相结合的混合算法训练人工神经网络，可实现两种算法的取长补短。构造人工鱼个体模型是改进人工鱼群算法优化训练BP神经网络关键，设人工鱼群
步骤二：设置初始迭代次数 num 0 ，在控制变量可行域内随机生成 N 个人工鱼个体，形成初始鱼群，即产生 N 组 [ wij ] ， [ wio ] ， [vki ] ， [vko ] 且各个分量均为 [1,1] 区间内的随机数。步骤三：计算初始鱼群各人工鱼个体当前位置的食物浓度值 FC ，并比较大小，取 FC 为最大值者进入公告板，将此鱼赋值给公告板。步骤四：各人工鱼分别模拟追尾行为和聚群行为，选择行动后 FC 值较大的行为实际执行，缺省行为方式为觅食行为。步骤五：各人工鱼每行动一次后，检验自身的 FC 与公告板的 FC ，如果优于公告板，则以自身取代之。步骤六：中止条件判断：判断 num 是否已达到预置的最大迭代次数 number ，若是，则输出计算结果（即公告板的 FC 值），否则 num 1 ，转步骤一。基于人工鱼群算法和BP神经网络的计算流程图如图1所示。 3.实例仿真分析本论文对建立时间序列预测的BP神经网络的过程加以规范化，建立了基于BP神经网络的时间序列预测的通用方法，并通过实例来检验该时间序列预测模型的预测能力。MATLAB神经网络工具箱给出了两种用于提高神经网络推广能力的方法，即正则化方法(Regularization)和提前停止(Early stopping)方法，本文的模型建立过程中，用到正则化方法，利用sim函数可以对训练后的网络进行仿真。sim函数的常用格式如下： ①[Y，Pf，AL E，perf]=sim(net，P， Pi，Ai，T) ②[Y，Pf，Af，E，perf]=sim(net，
只要隐节点足够多，就可以以任意精度逼近一个非线性函数[2]。但是神经网络方法有它的缺点，比如： (1)计算速度慢(计算量大，学习算法不成熟，不同的算法针对不同的问题收敛才快些)。 (2)输入信号与训练信号相差加大时，可能导致结果完全错误(不同的区域可能有不同的极值)。因此可以将人工鱼群算法与BP神经网络相结合。人工鱼群(Artificial Fish-swarm Algorithm，AFSA)是一种基于模拟鱼群行为的优化算法，是由李晓磊等于2002年提出的一种新型的寻优算法。AFSA是一种新型的思路，从具体的实施算法到总体的设计理念，都不同于传统的设计和解决方法，但同时它又能与传统方法相融合。因此，AFSA自提出以来，得到了国内外学者的广泛关注，对算法的研究应用已经渗透到多个应用领域，并由解决一维静态优化问题发展到解决多维动态组合优化问题。AFSA己经成为交叉学科中一个非常活跃的前沿性研究问题[3]。在基本人工鱼群算法(AFSA)中，主要是利用了鱼群的觅食、聚群和追尾行为，从构造单条鱼的底层行为做起，通过鱼群中各个体的局部寻优，达到全局最优值在群体中突现出来的目的。从目前对人工鱼群算法的研究来看，绝大部分集中在如何应用AFSA解决实际问题。通过深入研究和实践发现， AFSA虽然具有很多优良的特性，但它本身也还是存在一些问题，如随着人工鱼数目的增多，将会需求更多的存储空间，也会造成计算量的增长[4]；对精确解的获取能力不够，
1.引言时间序列是由一个低维的具有非线性和确定性的动态系统产生的外表象随机信号但并非是随机信号的时间序列，这些序列中存在着一些与产生该序列的非线性动力学系统相关的固有的确定性和一些几何拓扑不变性。预测是人们根据事物的发展规律、历史和现状，分析影响其变化的因素，对其发展前景和趋势预先进行的一种推测。对于现实中大量存在的非线性、非平稳的复杂动力系统问题，需要确定合适的模型阶数，这是比较困难的，为了更好地解决这一困难，本论文通过建立在对人工鱼群算法和BP神经网络算法的掌握及应用在时间序列预测上，提出了基于人工鱼群算法和BP神经网络算法的时间序列预测系统模型[1]。 2.基于人工鱼群算法和BP神经网络的时间序列预测模型介绍 2.1 方法的引出无论是在自然科学，还是在社会科学领域的实际工作者和研究人员都要和一系列的观测数据打交道，这些观测数据随时间变化而相互关联，其排列顺序与大小体现了不同时刻的观测值之间的相互联系，观测值之间的这种依赖关系或相关性，表征了产生这些数据的现象、过程或系统的某些时间变化特征和规律。我们把这些按照时间顺序产生和排列的观测数据序列称为时间序列。从系统意义上看，时间序列就是某一系统在不同时间(地点、条件等)的响应。在时间序列预测中，BP神经网络是最常使用的网络。BP 网络是一种非线性神经网络，Robert Hecht Nielson已证明只有一个隐层的神经网络，
Y 1 ( 1 N
( y
i 1 j 1
N
p
d ji
y ji ) 2 )
式中：参数N，P， y dji ， y ji 分别为训练样本总数，网络输出神经元的个数，第i个样本的第j个网络输出的目标值，第i个样本依据输入计算出的第j个网络输出的实际值。基于人工鱼群算法的BP网络训练算法流程如下：步骤一：输入人工鱼群的群体规模 N ，最大迭代次数 number ，人工鱼的可视域 VISUAL ，人工鱼的最大移动步长 STEP ，拥挤度因子。
{Q，TS}，Pi，Ai，T) ③[Y，Pf，Af，E，perf]=sim(net， Q，Pi，Ai，T) 在sim函数的调用形式①中，输入net 为神经网络对象，P为网络输入，Pi为输入延迟的初始状态，Ai为层延迟的初始状态， T为目标矢量。在函数返回值中，Y为网络输出，Pf为训练终止时的输入延迟的初始状态，Af为训练终止时的层延迟状态，E为输出和目标矢量之间的误差，perf为神经网络的性能值。该函数中的P、T、Pi、Y、E、 Pf和Af等参量可以是单元数组或矩阵。sim 函数的调用形式②③用于没有输入的神经网络，其中，Q为批处理数据的个数，TS为神经网络仿真的时间步数。此外，神经网络工具箱还提供了postreg函数，该函数可对训练后网络的实际输出(仿真输出)和目标输出做线性回归分析，以检验神经网络的训练效果。使用MATLAB语言进行程序编写，实现基于BP神经网络的时间序列预测模型，程序片断如图2所示。根据2.2中提出的方法，在MATLAB软件中对算法进行编程与实施，得到的仿真结果如图3所示。其中，检测误差：SSE=8.0059e-004， rerror21=-0.0054。 4.结语本文给出了基于人工鱼群算法的BP神经网络的训练模型，并形成了一种新的BP网络训练算法。从试验结果比较分析可见： (1)该方法具有较好的收敛性、初值不敏感和参数不敏感等特点； (2)算法具有较快的收敛速度，算法收敛过程有明显优势。 (3)算法用于对时间序列的预测，其结果表明是可行的。如何更好地将觅食、聚群和追尾三种优化行为，体现在算法的处理上，以便使运算更加简单，还需要进一步提高。