CN110162807A - 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法 - Google Patents

基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法 Download PDF

Info

Publication number
CN110162807A
CN110162807A CN201810145216.5A CN201810145216A CN110162807A CN 110162807 A CN110162807 A CN 110162807A CN 201810145216 A CN201810145216 A CN 201810145216A CN 110162807 A CN110162807 A CN 110162807A
Authority
CN
China
Prior art keywords
ant
neural network
pheromones
algorithm
storage reliability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810145216.5A
Other languages
English (en)
Other versions
CN110162807B (zh
Inventor
刘芳
宫华
冯丹
许可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Ligong University
Original Assignee
Shenyang Ligong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang Ligong University filed Critical Shenyang Ligong University
Priority to CN201810145216.5A priority Critical patent/CN110162807B/zh
Publication of CN110162807A publication Critical patent/CN110162807A/zh
Application granted granted Critical
Publication of CN110162807B publication Critical patent/CN110162807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，主要提高弹药贮存可靠性评估的精度和稳健性，削弱了蚁群算法易陷入局部最优解的问题，弥补了BP神经网络易陷入局部极小、算法结果不稳定的缺陷。其规划步骤为：利用弹药贮存可靠性数据的变化规律，建立神经网络预测模型；在蚁群算法中引入后代蚂蚁信息素贡献因子，合理调整后代蚁群贡献的信息素浓度数量；利用改进蚁群算法的全局搜索能力优化BP神经网络的权值和阈值，通过蚁群觅食探索最短路线的寻优过程优化网络结构参数，进行弹药贮存可靠性评估。本发明通过改进方法更新信息素，有效避免了局部最优解问题，并通过智能优化BP神经网络的权值和阈值，克服了BP神经网络易陷入局部极小问题。

Description

基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法
技术领域
本发明涉及弹药贮存可靠性技术领域，具体涉及一种基于改进蚁群算法优化BP神经网络的弹药贮存可靠性评估方法。
背景技术
弹药具有“长期贮存，一次使用”的特点，这使得弹药贮存可靠性成为衡量弹药质量的重要技术指标，科学合理的评估弹药在贮存中的可靠性是军队战斗力的重要保障。美国和苏联等军事强国很早就意识到弹药贮存可靠性的重要性，并制定了一系列的弹药可靠性标准。近年来，国内外学者对弹药贮存可靠性的评估方法进行了大量研究，包括基于模型评估法、基于马尔可夫过程、基于模糊数评估法、基于人工神经网络的评估方法及基于神经网络组合模型的评估等数理统计方法和智能算法，还有学者对武器系统的贮存寿命评估方法进行了研究，验证了利用神经网络评估模型的自适应性和较好的非线性映射的优点，使得其在可靠性评估模型中效果更优。但神经网络具有收敛速度慢，容易陷入局部极小值等问题，在此基础上提出基于神经网络组合模型的评估方法；同时，有很多学者对BP算法进行了大量的改进，但所得到的收敛速度和精度是有限的，容易陷入局部最优解，有学者和专家将具有全局优化性能的群智能算法应用于BP神经网络，如遗传算法、粒子群算法等，这些算法能够克服BP算法的缺陷，但智能算法本身又存在自己的缺陷，如遗传算法在搜索全局最优解的过程中因其复杂的遗传操作导致了网络训练时间和复杂程度的指数级增长，且算法缺乏局部区域的有效搜索机制，在算法后期收敛速度缓慢甚至出现停滞现象。
蚁群算法是指在自然界中蚂蚁在寻找食物时会在经过的路径上留下一种称为信息素的分泌物，蚁群中其他蚂蚁通过前面蚂蚁留下的信息素的浓度自适应地寻找出到达食物源最短路径的方法。蚁群觅食的这种集体协作行为构成了信息的正反馈现象，蚁群算法恰是受到了自然界蚁群觅食行为的启发，模拟了此过程中信息积累和传递的优化机制，通过个体之间的信息交流与相互协作最终找到全局最优解，但蚁群算法一般需要较长的搜索时间，存在易陷入局部最优的缺点。
目前，在其他领域中，有学者已经提出使用蚁群优化算法(即ACO算法)与BP神经网络相结合进行预测与评估，其中，ACO算法的记忆性、避障原则和并行性可以有效避免遗传算法的缺陷，并在模式分类、多目标化、任务分配和高维复杂的数据处理等问题均有应用。
由于ACO算法发展时间不长，理论基础和应用推广还需进一步深入研究，国内外将ACO算法与BP神经网络相结合应用到贮存可靠性的评估，有关文献还很少；特别是将改进ACO算法优化BP神经网络运用于弹药贮存可靠性评估的这一特殊领域，目前国内外还未查到有关文献。
因此希望设计一种基于改进蚁群算法优化BP神经网络对弹药贮存可靠性的评估方法，可以克服或至少减轻现有技术的上述缺陷。
发明内容
本发明要解决的技术问题是针对现有技术中的不足，设计一种基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，在蚁群算法中引入后代蚂蚁信息素贡献因子，合理调整后代蚁群贡献的信息素浓度数量，智能优化BP神经网络初始权值，弥补BP神经网络易陷入局部极小、算法结果不稳定的缺陷，提高弹药贮存可靠性评估的精度和稳健性。
本发明提供的技术方案如下：
一种基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，首先，利用弹药贮存可靠性数据的变化规律，建立神经网络预测模型；进一步，利用改进蚁群算法(即IACO算法)优化BP神经网络的权值和阈值，进行弹药贮存可靠性评估。具体过程包括如下几个步骤：
1.对训练样本数据集和测试样本数据集进行归一化处理，计算公式如下：
式中xmax为样本数据中的最大值，xmin为样本数据中的最小值，归一化后的取值范围为[-1,1]。
2.建立n×m×l三层网络拓扑结构，确定n,m,l取值，其中，n为输入层节点数，m为隐含层节点数，l为输出层节点数。
3.初始化蚁群参数，确定蚂蚁数量G、信息素初始值C、信息素挥发系数ω、信息素增量强度Q、神经网络待优化参数维度/每个参数的取值个数N、后代蚂蚁信息素的贡献值I、最大迭代次数N_max等。
4.基于IACO算法，计算信息素浓度，更新信息素，让每只蚂蚁从集合出发，计算公式如下：
其中，设这个过程所用时间为m，信息贡献能力因子π(t)＝exp(t/I)，I为常数，代表后代信息素的贡献值；参数ω(0≤ω≤1)为信息素挥发系数，1-ω表示信息素的持久性；为蚂蚁k在时间间隔m内的信息素的增量；Q表示一个常数，代表蚂蚁在完成一次循环后所释放的信息素总和，Lk表示蚂蚁在本次循环中所走路径总长度。
5.重复步骤4，直到所有蚂蚁都选择同一条路径或者达到最大迭代次数为止，转为步骤6。
6.将改进的蚁群算法找到的一组最优权值与阈值作为BP神经网络的初始参数值，计算期望输出与实际输出的误差，公式如下：
其中为q个训练样本的期望输出，为第q个训练样本的实际输出，l为输出层节点数；
并将误差由输出层反向传递给输出层，调整权值，重复以上过程，直到满足BP算法训练终止条件εBP或达到网络最大迭代次数N＇_max。
7.将测试数据进行反归一，还原测试数据形态，其计算公式为：
本发明具有积极的效果：(1)本发明的优点在于设计了一种基于改进蚁群算法优化BP神经网络的弹药贮存可靠性评估方法，在蚁群算法中引入后代蚂蚁信息素贡献因子，适当调节已选择权值区域上的信息素浓度，提高算法的全局搜索能力，有效避免陷入局部最优问题；
(2)改进的蚁群优化BP神经网络算法将BP神经网络的权值和阈值作为IACO算法待优化的参数，通过蚁群觅食探索最短路线的寻优过程优化网络结构参数，充分利用ACO算法的全局搜索能力优化BP神经网络初始权值与阈值，避免BP神经网络易陷入局部极小问题，有效提高BP神经网络预测的精度和稳定性。
附图说明
图1为本发明的基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法的流程图；
图2为三种算法均分误差对比图。
具体实施方法
见图1，本实施例的基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，具体包括以下步骤：
1.对训练样本数据集和测试样本数据集进行归一化处理，计算公式如下：
式中xmax为样本数据中的最大值，xmin为样本数据中的最小值，归一化后的取值范围为[-1,1]。
2.建立n×m×l三层网络拓扑结构，确定n,m,l取值，其中，n为输入层节点数，m为隐含层节点数，l为输出层节点数。由“试湊法”，确定均方误差MSE的算术平均值最小时的隐含层节点数，网络隐含层的激活函数为‘tansig’，输出层的激活函数为‘purelin’，BP网络的训练函数选取‘traingda’，学习率为0.1，期望误差εBP＝0.001。
3.初始化蚁群参数，根据数据样本，确定改进蚁群待优化的BP神经网络的权值和阈值参数维度为n×m+m×l+m+l＝8×9+9×1+9+1＝91个，每个参数值在[-1,1]中随机取N＝20个数值，蚂蚁数量为G＝80，信息素初始值C＝1，信息素挥发系数ω＝0.1，信息素增量强度Q＝1，后代蚂蚁信息素的贡献值I＝80，最大迭代次数N_max＝800。
4.基于IACO算法，计算信息素浓度，更新信息素，让每只蚂蚁从集合出发，计算公式如下：
其中，设这个过程所用时间为m，信息贡献能力因子π(t)＝exp(t/I)，I为常数，代表后代信息素的贡献值；参数ω(0≤ω≤1)为信息素挥发系数，1-ω表示信息素的持久性；为蚂蚁k在时间间隔m内的信息素的增量；Q表示一个常数，代表蚂蚁在完成一次循环后所释放的信息素总和，Lk表示蚂蚁在本次循环中所走路径总长度。
5.重复步骤4，直到所有蚂蚁都选择同一条路径或者达到最大迭代次数为止，转为步骤6。
6.将通过改进的蚁群算法找到的一组最优权值与阈值，作为BP神经网络的初始参数值，计算期望输出与实际输出的误差，公式如下：
其中为q个训练样本的期望输出，为第q个训练样本的实际输出，l为输出层节点数；
并将误差由输出层反向传递给输出层，调整权值，重复以上过程，直到满足BP算法训练终止条件εBP或达到网络最大迭代次数N＇_max。
7.将测试数据进行反归一，还原测试数据形态，其计算公式为：
为验证本发明的改进蚁群优化BP神经网络算法(即IACO-BP算法)的有效性和可行性，利用MATLAB 2012a，分别对基于单独BP神经网络算法、ACO-BP算法和IACO-BP算法的弹药贮存可靠性评估模型进行仿真实验；为了避免结果的偶然性，对每种算法做8次仿真实验，观察各均方误差，并取8次仿真实验中均方误差的算术平均值表征三种算法评估弹药贮存可靠度的精度，实验结果见表1和表2：
表1三种算法评估可靠性均方误差(MSE)
由表1可知，ACO—BP算法所求解的可靠度的误差精度明显高于单独BP算法模型，引入后代蚂蚁的贡献因子后的IACO—BP算法模型，进一步提高了ACO—BP算法模型的评估精度，有效的提高了可靠度的评估精度。
表2三种算法评估可靠性均方误差(MSE)统计数据
由表2的描述性统计数据可知，在多次随机仿真实验中，IACO—BP计算出的期望可靠度与实际可靠度的均方误差均值相对于ACO—BP降低了87.9％，相对于单独BP降低了98.2％，并且IACO—BP算法模型计算的MSE均值的标准差明显小于ACO—BP算法模型和单独BP算法模型计算出的标准差，这说明IACO—BP算法模型在可靠性评估中，具有高度的有效性和稳定性。
通过图2可以看出，IACO—BP算法绘制的均方误差曲线较均匀，基本与坐标轴重合，显示了较好的平滑性与预测的准确性。IACO—BP算法降低了弹药贮存可靠度的预测误差，有效提高了可靠性评估的精度和稳定性，为弹药贮存可靠性评估与预测问题提供了一种新的方法和途径。
上述实施例仅仅是为了说明本发明所做的举例，而并非是对本发明实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (1)

1.一种基于改进蚁群优化BP神经网络弹药贮存可靠性评估方法，其特征在于：所述预测方法包括以下步骤：
(1)对训练样本数据集和测试样本数据集进行归一化处理，计算公式如下：
式中xmax为样本数据中的最大值，xmin为样本数据中的最小值，归一化后的取值范围为[-1,1]；
(2)建立n×m×l三层网络拓扑结构，确定n,m,l取值，其中，n为输入层节点数，m为隐含层节点数，l为输出层节点数；
(3)初始化蚁群参数，确定蚂蚁数量G、信息素初始值C、信息素挥发系数ω、信息素增量强度Q、神经网络待优化参数维度/每个参数的取值个数N、后代蚂蚁信息素的贡献值I、最大迭代次数N_max等；
(4)基于IACO算法，计算信息素浓度，更新信息素，让每只蚂蚁从集合出发，计算公式如下：
其中，设这个过程所用时间为m，信息贡献能力因子π(t)＝exp(t/I)，I为常数，代表后代信息素的贡献值；参数ω(0≤ω≤1)为信息素挥发系数，1-ω表示信息素的持久性；为蚂蚁k在时间间隔m内的信息素的增量；Q表示一个常数，代表蚂蚁在完成一次循环后所释放的信息素总和，Lk表示蚂蚁在本次循环中所走路径总长度；
(5)重复步骤(4)，直到所有蚂蚁都选择同一条路径或者达到最大迭代次数为止，转为步骤(6)；
(6)将改进的蚁群算法找到的一组最优权值与阈值作为BP神经网络的初始参数值，计算期望输出与实际输出的误差，公式如下：
其中为q个训练样本的期望输出，为第q个训练样本的实际输出，l为输出层节点数；并将误差由输出层反向传递给输出层，调整权值，重复以上过程，直到满足BP算法训练终止条件εBP或达到网络最大迭代次数N′_max；
(7)将测试数据进行反归一，还原测试数据形态，其计算公式为：
CN201810145216.5A 2018-02-12 2018-02-12 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法 Active CN110162807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810145216.5A CN110162807B (zh) 2018-02-12 2018-02-12 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810145216.5A CN110162807B (zh) 2018-02-12 2018-02-12 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法

Publications (2)

Publication Number Publication Date
CN110162807A true CN110162807A (zh) 2019-08-23
CN110162807B CN110162807B (zh) 2023-09-12

Family

ID=67635108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810145216.5A Active CN110162807B (zh) 2018-02-12 2018-02-12 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法

Country Status (1)

Country Link
CN (1) CN110162807B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930054A (zh) * 2019-12-03 2020-03-27 北京理工大学 一种基于数据驱动的作战体系关键参数快速优化方法
CN111091260A (zh) * 2019-09-29 2020-05-01 中国人民解放军空军工程大学 一种基于改进自助扩容算法的弹药贮存可靠度评估方法
CN112631890A (zh) * 2020-12-31 2021-04-09 西安理工大学 基于lstm-aco模型预测云服务器资源性能的方法
CN112808348A (zh) * 2021-01-25 2021-05-18 武汉轻工大学 基于aco-bp的多目标碾米机组调度优化系统
CN113158601A (zh) * 2021-03-24 2021-07-23 复旦大学 高可靠板级扇出型SiC MOSFET封装结构优化方法
CN117574091A (zh) * 2023-12-11 2024-02-20 西南交通大学 一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003081527A1 (en) * 2002-03-26 2003-10-02 Council Of Scientific And Industrial Research Improved performance of artificial neural network models in the presence of instrumental noise and measurement errors
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
WO2016095692A1 (zh) * 2014-12-15 2016-06-23 江南大学 一种改进蚁群优化传感器网络簇头方法
CN107171963A (zh) * 2017-07-26 2017-09-15 华北电力大学（保定） 一种蚁群寻优方法及装置
CN107316099A (zh) * 2017-05-22 2017-11-03 沈阳理工大学 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法
CN107403188A (zh) * 2017-06-28 2017-11-28 中国农业大学 一种水质评价方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003081527A1 (en) * 2002-03-26 2003-10-02 Council Of Scientific And Industrial Research Improved performance of artificial neural network models in the presence of instrumental noise and measurement errors
CN104636801A (zh) * 2013-11-08 2015-05-20 国家电网公司 一种基于优化bp神经网络的预测输电线路可听噪声方法
WO2016095692A1 (zh) * 2014-12-15 2016-06-23 江南大学 一种改进蚁群优化传感器网络簇头方法
CN107316099A (zh) * 2017-05-22 2017-11-03 沈阳理工大学 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法
CN107403188A (zh) * 2017-06-28 2017-11-28 中国农业大学 一种水质评价方法及装置
CN107171963A (zh) * 2017-07-26 2017-09-15 华北电力大学（保定） 一种蚁群寻优方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091260A (zh) * 2019-09-29 2020-05-01 中国人民解放军空军工程大学 一种基于改进自助扩容算法的弹药贮存可靠度评估方法
CN110930054A (zh) * 2019-12-03 2020-03-27 北京理工大学 一种基于数据驱动的作战体系关键参数快速优化方法
CN112631890A (zh) * 2020-12-31 2021-04-09 西安理工大学 基于lstm-aco模型预测云服务器资源性能的方法
CN112808348A (zh) * 2021-01-25 2021-05-18 武汉轻工大学 基于aco-bp的多目标碾米机组调度优化系统
CN113158601A (zh) * 2021-03-24 2021-07-23 复旦大学 高可靠板级扇出型SiC MOSFET封装结构优化方法
CN117574091A (zh) * 2023-12-11 2024-02-20 西南交通大学 一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法

Also Published As

Publication number Publication date
CN110162807B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN110162807A (zh) 基于改进蚁群优化bp神经网络弹药贮存可靠性评估方法
CN109858647B (zh) 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
Gupta et al. Comparative analysis of ant colony and particle swarm optimization algorithms for distance optimization
Chang et al. Modelling intelligent water resources allocation for multi-users
Houssein et al. An efficient multi-objective gorilla troops optimizer for minimizing energy consumption of large-scale wireless sensor networks
CN113937808A (zh) 一种基于改进麻雀搜索算法的分布式电源选址定容优化方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
Saleh et al. A prediction of grain yield based on hybrid intelligent algorithm
Li Solving TSP by an ACO-and-BOA-based Hybrid Algorithm
CN113255223B (zh) 一种空调负荷短期预测方法及系统
Oladipo et al. Analysis of the impact of clustering techniques and parameters on evolutionary-based hybrid models for forecasting electricity consumption
Kubuś et al. A new learning approach for fuzzy cognitive maps based on system performance indicators
Kamath et al. Magnitude Prediction Model for Japan Seismic Tremors Using Artificial Neural Network
Ahmadaali et al. Application of artificial neural network and adaptive neural-based fuzzy inference system techniques in estimating of virtual water
Anochi et al. New learning strategy for supervised neural network: MPCA meta-heuristic approach
Kowalski et al. The comparison of linear models for PM10 and PM2. 5 forecasting
Eckert et al. Classification of ensemble forecasts by means of an artificial neural network
Mustafa Artificial neural networks modeling of total dissolved solid in the selected locations on tigris river, iraq
Cao et al. Design of river water quality assessment and prediction algorithm
Faghri et al. Artificial neural network–based approach to modeling trip production
Yue et al. Power system short-term load forecasting based on neural network with artificial immune algorithm
Srikamdee et al. Sugarcane yield and quality forecasting models: adaptive ES vs. deep learning
Furze et al. Mathematical methods to quantify and characterise the primary elements of trophic systems
Shi et al. Integration of fuzzy logic, particle swarm optimization and neural networks in quality assessment of construction project.
Yadong et al. Quasi-oppositional multi-objective antlion optimizer based on differential evolution

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant