PSO优化BP神经网络的混沌时间序列预测

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (2): 224-229.

PSO优化BP神经网络的混沌时间序列预测

卢辉斌1，2，李丹丹1，2，孙海艳3

1.燕山大学信息科学与工程学院，河北秦皇岛 066004
2.河北省特种光纤与光纤传感实验室，河北秦皇岛 066004
3.河北建材职业技术学院机电工程系，河北秦皇岛 066004

出版日期:2015-01-15 发布日期:2015-01-12

Prediction for chaotic time series of optimized BP neural network based on PSO

LU Huibin1，2, LI Dandan1，2, SUN Haiyan3

1.College of Information Science and Engineering, Yanshan University, Qinhuangdao, Hebei 066004, China
2.The Key Laboratory for Special Fiber and Fiber Sensor of Hebei, Qinhuangdao, Hebei 066004, China
3.Department of Mechanical and Electronic Engineering, Hebei Vocational & Technical College of Building Materials, Qinhuangdao, Hebei 066004, China

Online:2015-01-15 Published:2015-01-12

摘要/Abstract

摘要： 针对于BP神经网络预测模型，收敛速度慢，精度较低，容易陷入局部极小值等缺点，提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中，粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值，然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明，该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度，减少陷入局部极小的可能。

关键词: 混沌时间序列, 混沌预测, 反向传播（BP）神经网络, 粒子群算法

Abstract: BP neural network for forecasting has low speed of convergence, low precision and easily falling into the local minimum state. An improved prediction method of optimized BP neural network based on Improved Particle Swarm Optimization algorithm（IPSO） is proposed. The IPSO algorithm adopts modified adaptive inertia weight and adaptive acceleration coefficients to optimize the weights and thresholds of BP neural network. Then BP neural network is trained to search for the optimal solution. This experiment is done with several typical nonlinear systems. The results demonstrate that the improved method has faster convergence speed, higher accuracy and not easily falling into the local minimum state.

Key words: chaotic time series, prediction of chaos, Back Propagation（BP） neural network, particle swarm optimization

卢辉斌1，2，李丹丹1，2，孙海艳3. PSO优化BP神经网络的混沌时间序列预测[J]. 计算机工程与应用, 2015, 51(2): 224-229.

LU Huibin1，2, LI Dandan1，2, SUN Haiyan3. Prediction for chaotic time series of optimized BP neural network based on PSO[J]. Computer Engineering and Applications, 2015, 51(2): 224-229.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.