1 简介
热舒适度是室内环境舒适性的评价指标,由于热舒适度的计算是一个复杂的非线性迭代过程,不便应用于空调实时控制系统中,为解决这一问题,可利用BP神经网络算法对热舒适度进行预测.但为了改善传统BP神经网络收敛速度慢的问题,将采用鸟群算法(BSA)来优化BP神经网络初始的权值与阈值.最后,将BSA算法与相近的粒子群算法(PSO)进行对比分析,并利用MATLAB软件进行仿真,使BSA-BP预测模型的仿真结果与基本的BP神经网络预测模型,PSO-BP预测模型的仿真结果进行对比分析.结果表明,BSA-BP预测模型具有较快的收敛速度和较高的预测精度.
BSA算法优化BP神经网络的基本思想是:利用BSA算法的全局搜索能力,优化BP神经网络初始的权值和阈值,也就是决策变量,其中每一组决策变量均包含在鸟群个体所处的空间位置中.然后,通过适应度函数来衡量个体所处空间位置的优劣度,并利用鸟群觅食过程中的觅食行为、警戒行为和飞行行为等策略不断更新个体空间位置,直至获取最佳的个体空间位置,即获得待优化问题的最佳决策变量
BSA-BP算法预测PMV指标主要包括以下几个部分:确定训练样本数据、设计BP神经网络结构、利用BSA算法优化BP神经网络初始的权值和阈值、训练优化后的网络.具体实现步骤如下:
步骤1.确定训练样本数据.确定所需输入变量的取值范围;然后,根据PMV指标的数学模型,利用MATLAB软件编辑PMV指标的计算程序,获取相当数量的样本数据;最后,经过预处理,作为BP神经网络的训练样本和测试样本数据.
步骤2.设计BP神经网络结构.依据标准BP神经网络模型以及PMV指标的数学模型,确定BP神经网络的层数、每层的神经元数,以及其他参数.
步骤3.确定BSA算法中各参数.包括
如果觉得《【BP预测】基于鸟群算法优化BP神经网络实现数据预测附Matlab代码》对你有帮助，请点赞、收藏，并留下你的观点哦！
