基于PSO算法的BP神经网络对水体叶绿素a的预测
BP 神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统 BP 算法的收敛速度慢并易陷入局部最优.提出了一种基于微粒群(PSO)算法的 BP 神经网络模型,利用 PSO 对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性.选择最能代表明湖水质状况的 5 号采样点作为研究对象,把 2009 年 4 月-2010 年 3 月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用 6 号采样点数据来验证网络的泛化能力.比较分析基于 PSO 算法的新模型与传统 BP 算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.
BP神经网络、PSO算法、预测、叶绿素a
24
X703(一般性问题)
广东省科技计划项目2009B011300003
2011-09-05（万方平台首次上网日期，不代表论文的发表时间）
共7页
526-532
