蚁群神经网络算法论文-刘畅,李志刚,伟利国,王吉中,李阳

蚁群神经网络算法论文-刘畅,李志刚,伟利国,王吉中,李阳

导读:本文包含了蚁群神经网络算法论文开题报告文献综述及选题提纲参考文献,主要关键词:压力传感器,蚁群算法,RBF神经网络,非线性温度补偿

蚁群神经网络算法论文文献综述

刘畅,李志刚,伟利国,王吉中,李阳[1](2019)在《基于蚁群算法的RBF神经网络在冲量式谷物流量传感器中的应用》一文中研究指出针对压力传感器存在温度漂移的问题,提出了一种基于蚁群算法的RBF神经网络优化算法。首先根据压力传感器测量电路得到电压U_b与电流I的关系,因其存在很大的温度误差,须要采用适当的补偿方法对外界温度造成的误差加以修正。然后通过压力传感器输出电压U与温度T、压强P、电源波动γ的关系建立压力传感器温度补偿模型,分别在18.4、32.5、41.8、65.6℃共4个温度点进行试验数据采集并对试验结果进行归一化处理。最后利用蚁群算法进行寻优和自适应调整发挥系数的特点作为聚类算法确定RBF神经网络基函数中心,选取BP算法、RBF算法、基于蚁群的RBF算法3种方法对压力传感器进行非线性温度补偿仿真试验。结果表明:基于蚁群算法的RBF神经网络模型补偿精度最高,收敛速度最快。将此研究应用于冲量式谷物流量传感器中,可大大提高传感器的稳定性和准确性。(本文来源于《江苏农业科学》期刊2019年15期)

于秀丽,王旭坪[2](2019)在《基于蚁群神经网络的泄漏特征融合算法研究》一文中研究指出文章采用蚁群算法对神经网络的参数加以优化,提出了一种基于蚁群神经网络的特征参数融合模型。从理论分析的角度给出了优化的蚁群神经网络所体现的优势和特点,识别化工园区泄漏隐患,有效提高化工装置管道的泄漏识别的预测精度,为园区科学管理提供技术支撑。(本文来源于《现代管理科学》期刊2019年08期)

曾植,张寒,杨廷方,曾祥君,曾程[3](2019)在《基于组合蚁群算法优化神经网络诊断变压器潜伏性故障》一文中研究指出针对变压器故障诊断中BP神经网络存在收敛速度慢、易陷入局部极小值等问题,提出组合蚁群算法(Combined ACO,CACO)以优化BP神经网络的权值和阈值,加快神经网络的收敛速度并实现全局最优。该方法将带精英策略的蚂蚁系统与最大-最小蚂蚁系统进行结合,对精英蚂蚁信息素轨迹量值域范围进行区间限制,有效地解决了各信息素轨迹之间差异过大的问题,避免了局部最优和早熟收敛,提高了算法的全局搜索能力,克服了常规BP算法训练神经网络在变压器故障诊断中存在的不足。实例验证表明,CACO神经网络比BP神经网络减少了96%的迭代次数,并且在故障诊断方面,CACO神经网络的准确率达到了93.9%,远远高于BP神经网络的78.5%。(本文来源于《电气应用》期刊2019年06期)

何亮亮[4](2019)在《基于蚁群算法的RBF神经网络算法研究》一文中研究指出径向基神经网络(RBFNN)其特有的优点,使得它被广泛的应用于模式识别、图像处理、预测、时间序列分析等领域.蚁群算法(ACO)是一种仿生物算法,大量研究表明蚁群算法与其他智能优化算法相比,更能达到全局最优解.本文简要概括了RBF神经网络基础理论、发展动态和蚁群算法的理论基础以及现有的改进方法,重点研究如何将改进后的蚁群算法用于径向基神经网络以解决实际中的问题.首先,建立了基于初始信息素分布和二次挥发的蚁群优化算法模型.针对传统蚁群算法存在的缺陷,提出了一种改进初始信息素和建立信息素二次挥发的蚁群优化算法.并通过4组经典的数据检验蚁群优化算法的有效性,实验结果表明,蚁群优化算法能够加快算法的收敛速度,提高算法的精准度.其次,建立基于蚁群优化算法的RBF神经网络模型.针对基本RBF神经网络存在的缺陷,本文利用蚁群优化算法的全局搜索、隐并行的能力,对RBF神经网络参数w、、c?等进行同步优化,并通过函数拟合实验验证算法的有效性,得出基于蚁群优化算法的RBF神经网络对函数的拟合程度更高,且拟合速度更快.再次,建立了基于改进蚁群聚类算法的RBF神经网络模型.利用改进后蚁群聚类算法的优点,确定出了RBF神经网络中心个数及位置,利用了RLS计算权值,以及梯度下降法对中心值、基函数宽度以及权值进行调整.同时建立基于改进RBF神经网络的上证指数预测模型,仿真结果表明,基于改进蚁群聚类算法的RBF神经网络对上证指数预测误差更小,且预测性能更优.最后,总结全文,展望未来.图21幅,表11个,参考文献50篇(本文来源于《西安工程大学》期刊2019-05-28)

余修武,刘琴,李向阳,张可,肖人榕[5](2018)在《基于改进蚁群的BP神经网络WSN数据融合算法》一文中研究指出为了保证无线传感器网络(WSN)在深井中能有效地工作,提出了一种改进蚁群的反向传播(BP)神经网络WSN数据融合算法(IFA-IACOBP).通过规划蚂蚁运动方向和引入节点剩余能量对蚁群算法启发因子进行改进,优化蚂蚁下一跳节点选择概率,利用改进后的蚁群算法对BP神经网络进行优化,引入井下WSN数据融合,数据经两级融合处理后,能去除大部分冗余信息.仿真实验结果表明,IFA-IACOBP算法能有效减少网络数据通信量,提高数据实时性,降低网络能耗,延长网络寿命.(本文来源于《北京邮电大学学报》期刊2018年04期)

王勃,徐静[6](2018)在《基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究》一文中研究指出针对无线网络传感器中如何处理信息服务点中大量的冗余数据、网络运行速度等相关问题;在基于蚁群优化算法的基础上,提出一种BP神经网络的RPROP混合算法;该方法通过在建立系统构架及信息服务点基础上,能够延长BP神经网络的生命周期,加快BP神经网络的收缩速度,能够将网络中信息服务点的重复数据进行有效的合并处理,并及时过滤掉非正常信息服务点的数据,减少数据服务点的能量消耗;仿真结果显示,与普通的蚁群算法相比,该混合算法在训练过程中迭代次数改善明显,解决了BP神经网络的学习、训练时间冗余等问题,同时具有较强的计算、寻优等能力,提高了网络分类正确率和运行的效率;具有一定的实用价值,从而完全能够满足日益增长的无线互联网终端的运行需要。(本文来源于《计算机测量与控制》期刊2018年07期)

李晨[7](2018)在《基于蚁群算法的改进型BP神经网络与应用》一文中研究指出神经网络模型在控制与优化、分类与预测、模式识别与图像处理等领域得到了十分广泛的应用。但由于神经网络模型的构建对初始连接权值和阈值的选择有一定依赖性,使得神经网络在针对大数据分类问题时的分类准确性和稳定性受到一定的影响。本文建立一种基于蚁群算法的BP神经网络优化算法,利用蚁群算法在解决复杂问题中的优化性能在解空间对神经网络中的权值、阈值进行迭代优化,以控制神经网络模型的相对误差,提高模型的稳定性和准确性。并将改进型神经网络应用于农村产权抵押贷款问题中的农户分类问题,与传统神经网络分类结果进行比较,以为农村金融机构提供决策参考。主要研究内容及结果如下:(1)建立基于蚁群算法的神经网络权值、阈值编码、路径选择方法;(2)根据蚁群算法在解决复杂问题优化过程中的特点及BP神经网络算法的基本原理,构建以蚁群算法进行相关参数优化为核心的改进型BP神经网络算法框架及结构。确定相关参数设定与选择;(3)通过对农村金融数据进行分类研究,在算法收敛速度、分类准确性、精确度等方面与传统方法进行比较,检验本方法在解决实际问题中的有效性和可行性。(本文来源于《西北农林科技大学》期刊2018-05-01)

孙禹[8](2018)在《基于神经网络和蚁群算法的木材干燥过程含水率预测研究》一文中研究指出木材含水率(Moisture Content,MC)作为木材能否长期稳定使用的工艺参数,同时又作为衡量干燥质量的标杆,是检验干燥过程好坏的重要指标。在木材含水率检测中,电测法因其方便性及高效性而被广泛应用于木材干燥实际生产中,但由于木材的含水率在纤维饱和点附近因木材物理特性会发生改变,驱使木材含水率呈现一种非线性的变化趋势,导致在此点附近的含水率测量会出现偏差,甚至是大幅度的失真。一旦数据发生偏差就可能导致干燥过程中出现失误,面对经济价值较高的木材时,如果出现失误不仅损失原材料,同时也浪费了加工时间,严重影响了生产的质量和效率。由此可以看出,加强对木材纤维饱和点附近含水率的检测是一项十分必要的工作。为了预测木材纤维饱和点附近的含水率数值,首选柞木和杨木作为研究对象,依据其干燥基准分别对其进行干燥过程实验,并采集分析影响木材含水率的实验参数(干球温度,湿球温度,材芯温度,风机速度等)。然后分别利用BP神经网络、蚁群算法和改进的蚁群算法进行参数优化和木材含水率的预测研究,将预测结果与称重法所得的实际含水率数值做对比,分析预测误差及算法运行时间,从而讨论叁种算法对木材含水率的预测效果。文中主要选取的分类预测算法-蚁群分类算法Ant-Miner是一种可以和经典的分类算法相媲美的分类技术,它基于群智能中的蚁群算法。然而,Ant-Miner没有充分利用蚁群的思想,并且它的启发式策略包含有局部信息。与蚁群算法不同,Ant-Miner的启发式函数值随着算法的运行而不断发生变化,增加了算法的计算复杂度。为了提高Ant-Miner处理数据的效率,采用了一种改进的蚁群分类算法mAnt-Miner+。该算法借鉴了mAnt-Miner的多蚂蚁构建蚁群的思想,并使用了一种新的启发式策略。通过木材含水率预测的仿真结果表明,mAnt-Miner+在不影响预测精度和规则简单性的情况下,提高了运行效率,与Ant-Miner相比降低了预测的误差,提高了算法的预测精度,具有较高的工程实用价值。(本文来源于《东北林业大学》期刊2018-04-01)

周蕾蕾,刘成友,马俊,秦航,蒋红兵[9](2018)在《粒子群神经网络算法的RFID定位应用研究》一文中研究指出目的探讨射频标签技术(Radio Frequency Tag Technology,RFID)在医疗设备管理中的应用。方法提出一种基于粒子群神经网络(Particle Swarm Optimization-Back Propagation,PSO-BP)的RFID定位算法。搭建实验平台,无源标签贴于卡片表面,模拟实际医疗设备,每个标签分配唯一设备编码。从3个角度测量实验区内各射频标签坐标所对应的信号强度(Received Signal Strength Indication,RSSI)值,对测量数据进行预处理。利用预处理后的实验数据,在既定的训练误差下,对PSO-BP模型进行训练,得到RFID读写器与标签之间"信号强度—坐标"的映射关系,通过训练后的PSO-BP模型对未知组的数据进行测试。结果基于PSO-BP的RFID定位算法,测量值与原始值间的测试误差度为达到毫米级。结论本算法将RSSI值与位置信息关联起来,规避了RSSI值转化距离时的参数值估计,提高了室内定位的精度。(本文来源于《中国医疗设备》期刊2018年02期)

吕红芳,顾幸生[10](2016)在《基于蚁群神经网络的两级信息融合算法》一文中研究指出为了保证地下车库空气质量的同时尽量降低系统能耗,针对地库环境监测系统,提出了一种基于蚁群神经网络的两级数据融合算法TLIFA-ACOBP,该算法将分簇结构与神经网络模型有效结合,设计了一个基于分簇的无线传感器网络两级数据融合模型.首先运用蚁群优化(ACO)算法对BP神经网络的权值进行优化,并将优化后的蚁群神经网络用于无线传感器网络的信息融合.通过对簇成员节点采集到的原始数据进行两级融合处理,只将代表原始数据的少量特征值发送给汇聚节点,大幅度减少节点数据通信量,提高了数据传输效率,同时降低了系统能耗.(本文来源于《上海交通大学学报》期刊2016年08期)

蚁群神经网络算法论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

文章采用蚁群算法对神经网络的参数加以优化,提出了一种基于蚁群神经网络的特征参数融合模型。从理论分析的角度给出了优化的蚁群神经网络所体现的优势和特点,识别化工园区泄漏隐患,有效提高化工装置管道的泄漏识别的预测精度,为园区科学管理提供技术支撑。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

蚁群神经网络算法论文参考文献

[1].刘畅,李志刚,伟利国,王吉中,李阳.基于蚁群算法的RBF神经网络在冲量式谷物流量传感器中的应用[J].江苏农业科学.2019

[2].于秀丽,王旭坪.基于蚁群神经网络的泄漏特征融合算法研究[J].现代管理科学.2019

[3].曾植,张寒,杨廷方,曾祥君,曾程.基于组合蚁群算法优化神经网络诊断变压器潜伏性故障[J].电气应用.2019

[4].何亮亮.基于蚁群算法的RBF神经网络算法研究[D].西安工程大学.2019

[5].余修武,刘琴,李向阳,张可,肖人榕.基于改进蚁群的BP神经网络WSN数据融合算法[J].北京邮电大学学报.2018

[6].王勃,徐静.基于蚁群优化算法的BP神经网络的RPROP混合算法仿真的研究[J].计算机测量与控制.2018

[7].李晨.基于蚁群算法的改进型BP神经网络与应用[D].西北农林科技大学.2018

[8].孙禹.基于神经网络和蚁群算法的木材干燥过程含水率预测研究[D].东北林业大学.2018

[9].周蕾蕾,刘成友,马俊,秦航,蒋红兵.粒子群神经网络算法的RFID定位应用研究[J].中国医疗设备.2018

[10].吕红芳,顾幸生.基于蚁群神经网络的两级信息融合算法[J].上海交通大学学报.2016

标签:;  ;  ;  ;  

蚁群神经网络算法论文-刘畅,李志刚,伟利国,王吉中,李阳
下载Doc文档

猜你喜欢