隨著科技的不斷進(jìn)步,眾多的新興技術(shù)不斷被提出,如人工智能（Artificial Intelligence,AI）,物聯(lián)網(wǎng)（Internet of Things,IoT）,云計(jì)算（Cloud Computing）等。物聯(lián)網(wǎng)技術(shù)作為新一代信息技術(shù)的重要組成部分,更是在各類場景中被人們深入研究,如智慧城市、智慧家居、環(huán)境監(jiān)測等。物聯(lián)網(wǎng)的產(chǎn)生極大地提高了人們生活的便利,但伴隨著傳感器設(shè)備類型和數(shù)量的不斷增加,需要處理的數(shù)據(jù)量也在不斷增加,如何高效準(zhǔn)確地處理眾多數(shù)據(jù)一直是人們研究的重點(diǎn)問題。物聯(lián)網(wǎng)的數(shù)據(jù)具有海量性、異構(gòu)性、實(shí)時(shí)性等特征,因此數(shù)據(jù)的融合處理是一個(gè)難點(diǎn)問題,也是一個(gè)值得研究的問題。神經(jīng)網(wǎng)絡(luò)（Neural Network,NN）作為數(shù)據(jù)融合（Data Fusion,DF）的一種方法,在眾多類型的數(shù)據(jù)融合方案中表現(xiàn)了其強(qiáng)有力的優(yōu)勢。它對人類腦部神經(jīng)元進(jìn)行抽象,從信息處理角度,建立各種不同的模型,從而通過連接方式的不同來組成不同的網(wǎng)絡(luò),可用來分析和預(yù)測。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)眾多,也存在不足之處,如陷入局部最優(yōu),泛化能力差等。因此,在實(shí)際應(yīng)用中常常使用其他算法與之結(jié)合來克服其缺點(diǎn)。在這些算法中,對... 

【文章來源】：青海民族大學(xué)青海省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

海鷗的遷徙和攻擊行為Fig.3-1Migrationandaggressivebehaviorofseagulls

基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的水質(zhì)參數(shù)預(yù)測模型研究30示當(dāng)前迭代，然后A表示給定搜索空間中搜索者的移動行為。/:0,1,2,,cciterationiterationAfxfMaxwherexMax（3-11）其中引入cf控制變量A的值，變量A從cf線性減小到0。在本文中，cf的值設(shè)置為2。向最佳鄰居方向移動：在避免了鄰居之間的碰撞后，搜索者向最佳鄰居的方向移動()()sbssMBPxPx（3-12）其中sMb§表示各個(gè)搜索者()sPx(l向最佳適應(yīng)搜索者()bsPx¨移動的位置。B的值是隨機(jī)的，它負(fù)責(zé)在全局搜索和局部搜索之間取得適當(dāng)?shù)钠胶�。B計(jì)算公式為2B2Ard（3-13）其中rd為[0，1]之間的隨機(jī)數(shù)。保持與最佳搜索者的接近：最后，搜索者可以根據(jù)最佳搜索者更新其位置sssDCM（3-14）其中sDè,表示搜索者和最佳匹配搜索者之間的距離。2.攻擊海鷗在遷徙過程中可以不斷地改變攻擊的角度和速度。當(dāng)攻擊獵物時(shí)，螺旋運(yùn)動行為發(fā)生在空中，如圖3-2所示。圖3-2海鷗的攻擊獵物行為Fig.3-2Theaggressivebehaviorofaseagull在x、y和z平面上的這種行為描述如下。

青海民族大學(xué)碩士學(xué)位論文33初始海鷗種群。2.初始化海鷗的位置并利用公式將其位置進(jìn)行處理以防止位置重合。3.計(jì)算當(dāng)前所有海鷗的適應(yīng)度，并找出其中最優(yōu)的一個(gè)作為此次迭代中最佳海鷗。4.根據(jù)公式更新每一個(gè)海鷗的位置。5.判斷是否達(dá)到迭代次數(shù)或者達(dá)到所需精度，是則輸出最終的位置作為最優(yōu)的海鷗位置，否則返回步驟3。6.將最優(yōu)的輸出解碼為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，對其訓(xùn)練直到滿足要求。3.4結(jié)果分析本文BP神經(jīng)網(wǎng)絡(luò)采用3層結(jié)構(gòu)。氨氮的預(yù)測對水質(zhì)的準(zhǔn)確把握具有重要意義，因此本文輸入?yún)?shù)分別為水溫，pH，溶解氧，電導(dǎo)率，濁度，高錳酸鹽指數(shù)，因此輸入層節(jié)點(diǎn)數(shù)為6。輸出選擇為氨氮（mg/L），故輸出層為1個(gè)節(jié)點(diǎn)，隱含層為6個(gè)節(jié)點(diǎn)，迭代次數(shù)為100，訓(xùn)練函數(shù)為trainlm；海鷗種群為100，迭代次數(shù)為100。如圖3-3所示是兩種模型算法的收斂比較。圖3-3SOA-BP和BP收斂比較圖Fig.3-3ConvergencecomparisonofSOA-BPandBPmodels從圖中可以看出提出的SOA-BP模型的收斂速度更快，它可以更快收斂。在收斂精度上，同樣是迭代100次，BP模型的收斂值為4.536e-07，而提出的SOA-BP模型的收斂值為2.029e-8，提出模型的收斂精度更高。對23組驗(yàn)證數(shù)據(jù)進(jìn)行仿真如圖3-4所示。

【參考文獻(xiàn)】：
期刊論文
[1]混沌動態(tài)步長果蠅優(yōu)化算法[J]. 廖建慶,王涵,王咸鵬.  傳感器與微系統(tǒng). 2019(08)
[2]基于改進(jìn)遺傳算法的梯級橡膠壩調(diào)度優(yōu)化[J]. 鄧浩,郝瑞霞.  人民黃河. 2020(03)
[3]基于改進(jìn)ACO-BP算法的彈藥貯存可靠性評估[J]. 劉芳,王宏偉,宮華,許可.  兵器裝備工程學(xué)報(bào). 2019(04)
[4]Prediction of daily sediment discharge using a back propagation neural network training algorithm:A case study of the Narmada River,India[J]. Nibedita Bisoyi,Harish Gupta,Narayan Prasad Padhy,Govind Joseph Chakrapani.  International Journal of Sediment Research. 2019(02)
[5]基于改進(jìn)遺傳算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的癲癇發(fā)作檢測方法分析[J]. 劉光達(dá),魏星,張尚,蔡靖,劉頌陽.  生物醫(yī)學(xué)工程學(xué)雜志. 2019(01)
[6]基于改進(jìn)蟻群算法的山區(qū)無人機(jī)路徑規(guī)劃方法[J]. 唐立,郝鵬,張學(xué)軍.  交通運(yùn)輸系統(tǒng)工程與信息. 2019(01)
[7]改進(jìn)人工魚群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J]. 賈亦敏,史麗萍,嚴(yán)鑫.  河南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[8]基于小波神經(jīng)網(wǎng)絡(luò)的光纖陀螺系統(tǒng)級溫度補(bǔ)償[J]. 李健,李淑英.  壓電與聲光. 2018(06)
[9]蝙蝠算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的25Hz相敏軌道電路故障診斷研究[J]. 鄭云水,牛行通,康毅軍.  鐵道學(xué)報(bào). 2018(12)
[10]基于互信息和自組織RBF神經(jīng)網(wǎng)絡(luò)的出水BOD軟測量方法[J]. 李文靜,李萌,喬俊飛.  化工學(xué)報(bào). 2019(02)

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的污水處理自適應(yīng)控制方法初探[D]. 章康樹.浙江大學(xué) 2019
[2]多傳感器數(shù)據(jù)融合在物聯(lián)網(wǎng)中的應(yīng)用研究[D]. 程黎軍.蘇州大學(xué) 2016
[3]主成分分析法研究及其在特征提取中的應(yīng)用[D]. 陳佩.陜西師范大學(xué) 2014
[4]BP神經(jīng)網(wǎng)絡(luò)的算法改進(jìn)及應(yīng)用研究[D]. 陳玉芳.電子科技大學(xué) 2004



本文編號：3578298