###
DOI:
有色金属工程:2021,(3):-
←前一篇   |   后一篇→
本文二维码信息
码上扫一扫!
基于果蝇算法优化GRNN的生物氧化预处理温度预测
孔颜芳, 南新元
(新疆大学电气工程学院)
Optimization of Generalized Regression Neural Network Temperature Prediction Based on Improved Drosophila Algorithm
kongyanfang, nanxinyaun
(School of Electrical Engineering, Xinjiang University)
摘要
图/表
参考文献
相似文献
本文已被:浏览 240次   下载 196
投稿时间:2020-07-20    修订日期:2020-08-02
中文摘要: 温度是生物氧化预处理工艺中的一个重要参数,为了实现对氧化槽温度的精准预测。文中提出用改进过的果蝇优化算法来优化广义回归神经网络(GRNN)的参数。该改进方法是在标准果蝇优化算法中加入个体极值的思想,以此提高算法跳出局部极优值的能力。最后分别采用GRNN、FOA-GRNN、IFOA-GRNN方法建立氧化槽温度预测模型。研究结果表明,IFOA-GRNN预测模型的平均绝对误差(MAE)、均方根误差(RMSE)和平均相对百分比误差(MAPE)均比其它两种预测模型的低,所以其预测精度和泛化能力更强,因此氧化槽的温度变化情况能够得到更精确的测量。
Abstract:Temperature is an important parameter in the biological oxidation pretreatment process, in order to achieve accurate prediction of the temperature of the oxidation tank. In this paper, an improved Drosophila optimization algorithm is proposed to optimize the parameters of the Generalized Regression Neural Network (GRNN). The improved method is to add the idea of individual extremum to the standard fruit fly optimization algorithm to improve the ability of the algorithm to jump out of local extremum. Finally, the GRNN, FOA-GRNN, and IFOA-GRNN methods were used to establish the oxidation tank temperature prediction model. The research results show that the average absolute error (MAE), root mean square error (RMSE) and average relative percentage error (MAPE) of the IFOA-GRNN prediction model are lower than those of the other two prediction models, so its prediction accuracy and generalization ability Stronger, so the temperature change of the oxidation tank can be measured more accurately.
文章编号:     中图分类号:    文献标志码:
基金项目:国家自然科学基金项目(面上项目,重点项目,重大项目)
引用文本:
孔颜芳,南新元.基于果蝇算法优化GRNN的生物氧化预处理温度预测[J].有色金属工程,2021,(3):.

我们一直在努力打
造,精品期刊,传
播学术成果

全国咨询服务热线
86-10-63299224

杂志信息

期刊简介

相关下载

联系我们

电话:86-10-63299224/63299153

传真:010-63299754

Email:ysjsgc@bgrimm.com

邮编:100160

地址:北京市南四环西路188号总部基地十八区23号楼

关注微信公众号