基于改进CFA PSO-RBF神经网络的温室温度预测研究.pdf

第37 卷 第6 期 计 算 机 应 用 与 软 件 Vol 37 No 6 2020 年6 月 ComputerApplicationsandSoftware Jun 2020 基 于 改 进CFAPSO RBF 神 经 网 络 的 温 室 温 度 预 测 研 究 张 坤 鳌 赵 凯 西安科技大学计算机科学与技术学院 陕西西安710054 收稿日期 2019 03 04 陕西省教育厅科研计划项目 2010JK664 张 坤 鳌 副教授 主研领域 计算机监控系统 嵌入式系 统 神经网络 赵 凯 硕士生 摘 要 为 了 科 学 地 控 制 温 室 温 度 环 境 提 升 温 室 温 度 的 预 测 精 度 提 出 一 种 改 进 收 缩 因 子 粒 子 群 优 化 的 径 向 基 函 数 RBF 神 经 网 络 预 测 模 型 利 用 最 大 最 小 距 离 算 法 确 定RBF 神 经 网 络 的 隐 层 节 点 个 数 应 用 改 进 收 缩 因 子 粒 子 群 优 化RBF 神 经 网 络 的 隐 层 基 函 数 中 心 和 场 域 宽 度 与RBF 神 经 网 络 算 法 PSO RBF 神 经 网 络 算 法 CFA PSO RBF 神 经 网 络 算 法 的 预 测 精 度 进 行 比 较 分 析 预 测 模 型 性 能 实 验 证 明 在 神 经 网 络 参 数 选 择 合 理 的 情 况 下 与 其 他 神 经 网 络 算 法 相 比 改 进CFAPSO RBF 神 经 网 络 算 法 具 有 更 好 的 预 测 效 果 关 键 词 CFAPSO RBF 神 经 网 络 最 大 最 小 距 离 算 法 预 测 模 型 温 室 中 图 分 类 号 TP399 文 献 标 志 码 A DOI 10 3969 j issn 1000 386x 2020 06 018 GREENHOUSETEMPERATUREPREDICTIONBASEDON IMPROVEDCFAPSO RBFNEURALNETWORK ZhangKun ao ZhaoKai SchoolofComputerScienceandTechnology Xi anUniversityofScienceandTechnology Xi an710054 Shaanxi China Abstract Inorder to scientifically control the greenhouse temperature environment and improve the prediction accuracyofgreenhousetemperature weproposeapredictionmodelofradialbasisfunction RBF neuralnetworkwith improved shrinkage factor particle swarm optimization It used the maximum and minimum distance algorithm to determinethenumberofnodesinthehiddenlayeroftheRBFneuralnetwork Then theimprovedshrinkagefactorPSO wasappliedtooptimizethecenterofthehiddenlayerbasisfunctionandthefieldwidthoftheRBFneuralnetwork Finally comparedwith the prediction accuracyofthe RBF neural network algorithm the PSO RBF neural network algorithm theCFAPSO RBFneuralnetworkalgorithm theperanceofthepredictionmodelwasanalyzed The experimentalresults showthat compared with otherneural network algorithms the improved CFA PSO RBF neural networkalgorithmhasbetterpredictioneffectwhentheneuralnetworkparameterselectionisreasonable Keywords CFAPSO RBFneuralnetwork Maximumandminimumdistancealgorithm Predictionmodel Greenhouse 0 引 言 农业技术水平和人工智能水平的不断提高促进了 温室农业的迅速发展 温室温度预测模型日趋完善 但是 在温室环境中 由于温室环境是一个随时间变化 而缓慢变化的动态环境 并且各种环境因子之间具有 很强的耦合作用 一种环境因子往往随着另一种环境 因子的变化产生较大波动 所以建立精确的温室气候 模型存在很大困难 1 大量的理论和实践研究结果表 明 2 4 在科学控制温室环境的情况下 温室农业既可 以实现农作物的高产又可以保证农作物的质量 但是 因为温室环境系统的复杂性 以及各种环境因子之间 的耦合性等原因 温室环境的最佳控制效果采用传统 的控制方法很难达到标准 目前 温室温度预测模型的研究主要是针对能量 96 计 算 机 应 用 与 软 件 2020 年 和物质平衡方程的研究 5 7 其中径向基函数 Radial BasisFunction RBF 神经网络因为具有良好的非线性 映射能力 以及在不使用先验知识的情况下 能快速对 模型进行无限逼近等特点 成为目前应用最为广泛的 温室温度预测模型 8 10 但在实际模型中 该模型的 隐层节点个数 隐层基函数中心和隐层场域宽度三个 主要参数难以确定 预测精度也存在较大偏差 针对 以上缺陷 夏爽等 11 使用粒子群 RBF神经网络算法 设计温室温度预测应用模型 但随着样本数据 模型迭 代次数和粒子规模的不断增加 预测模型易陷入局部 最优 王媛媛 12 使用改进粒子群 RBF神经网络算法 提升了网络模型的预测精度 但该算法并未对隐层节 点个数进行优化 段其昌等 13 使用改进粒子群 RBF 神经网络算法 引入惯性权值和收缩因子 使模型的学 习速度变快的同时 预测精度也有所提高 但在确定隐 层节点个数时 采用了最近邻聚类算法 导致模型的学 习时间延长 针对上述问题 本文在采集温室内外主要环境因 子的前提下 使用改进收缩因子粒子群 RBF神经网络 预测模型 指导农户在室内环境不理想的情况下 合理 地调整温室装置 从而提高农作物的质量和产量 避免 了农户的经济损失 1 预 测 模 型 建 立 1 1 RBF 神 经 网 络 RBF神经网络是一个前馈型神经网络 具有单个 隐含层 可以任意精度逼近任何连续函数 其包括输入 层 隐含层和输出层 14 输入层到隐含层是非线性变 换 隐含层到输出层是线性变换 图1为RBF神经网 络的结构图 图1 RBF神经网络结构图 RBF神经网络完成如下非线性映射 y x i w 0 m j 1 w j j x i 1 式中 X x 1 x 2 x n 为训练数据集 x i x i 1 x i 2 x i n 为第i个训练样本 w 0 为调整输出的偏移量 m 为隐层节点个数 w j 为第j个隐层节点的基函数 j 与 输出节点的连接权值 为核函数 隐含层采用高斯核函数作为基函数 其定义如下 j x i exp x i c j 2 2 j 2 式中 c j 为第j个径向基函数的中心 x i c j 为x i 与c j 之间的距离 j 为第j个隐层节点的场域宽度 RBF神经网络的设计分为结构设计和参数设计 1 结构设计 使用聚类算法划分所有的输入样 本 确定合适的隐层节点个数m 2 参数设计 用于求解网络的各个参数 由式 1 式 2 分析可知 网络参数包括径向基函数的中 心c j 场域宽度 j 和隐含层到输出层的连接权值w j 研究表明 隐层节点个数体现了RBF神经网络的 非线性映射能力 15 当隐层节点数量过少时 网络的 收敛误差将增加 相反 当隐层节点数量过多时 网络 的训练时间将延长 导致预测结果过度拟合 从而降低 网络的泛化能力 因此 为克服人工选取隐层节点个 数带来的弊端 本文采用最大最小距离算法确定合适 的隐层节点个数 1 2 RBF 神 经 网 络 隐 层 节 点 个 数 的 确 定 在处理分类模式时 最大最小距离算法以欧式距 离为基础 根据最大距离原则选择新的聚类中心 利用 最小距离原则对模式进行分类 首先设定距离阈值 将初始的一个样本对象设置为第一个聚类中心 然后 选择距离第一个聚类中心最远的样本作为第二个聚类 中心 再确定其他聚类中心 直到没有新的聚类中心产 生 最后将剩余样本根据最近邻规则划分到各聚类中 心对应的类别中 算法描述 1 从n个样本中 随机选择一个样本 作为第一 个聚类中心c 1 2 选取距离c 1 最远的样本 作为第二个聚类中 心c 2 3 计算其余样本与c 1 c 2 之间的距离 并求出最 小值 即 d ij x i c j j 1 2 3 d i min d i1 d i2 i 1 2 n 4 4 若 为比例系数 d l max i min d i1 d i2 c 1 c 2 5 则第三个聚类中心c 3 为x i 相应的样本 跳转到步骤 5 判断是否含有新的聚类中心 否则跳转到步骤6 5 假设已经有k个聚类中心 计算每个样本与所 有聚类中心的距离 并判断 d l max i min d i1 d i2 d ik c 1 c 2 6 第6 期 张 坤 鳌 等 基 于 改 进CFAPSO RBF 神 经 网 络 的 温 室 温 度 预 测 研 究 97 若式 6 成立 则c k 1 x i 并循环该步骤 继续判断是 否存在新的聚类中心 6 经过判断 确定不再有新的聚类中心时 将剩 余样本根据最近邻规则 划分到各类中 即计算 d ij x i c j i 1 2 n j 1 2 k 7 通过上述算法确定RBF神经网络隐层节点个数 后 为了使RBF神经网络的训练性能进一步提高 即 寻找到最优的RBF神经网络参数 本文提出一种改进 收缩因子粒子群算法 1 3 RBF 神 经 网 络 隐 层 参 数 的 确 定 1 粒 子 群 优 化 算 法 粒子群优化 ParticleSwarm Optimization PSO 算法是Kennedy和Eberhart在人工 生命研究结果的启发下 通过模拟鸟群觅食过程中迁 徙和群聚行为 提出的一种基于群体智能的全局随机 搜索算法 16 假设搜索空间为D维 粒子总数为N 第i个粒子在D维空间中的位置为x i x i1 x i2 x iD 飞行速度为v i v i1 v i2 v iD 粒子个体经历过 的最好位置为pbest i p i1 p i2 p iD 种群经历过的 最好位置为gbest g 1 g 2 g D PSO算法流程如 图2所示 图2 PSO算法流程图 粒子i的速度和位置更新公式为 v k 1 id wv k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 8 x k 1 id x k id v k 1 id 9 式中 v k id 为第k次迭代时 粒子i飞行速度矢量的第d 维分量 c 1 c 2 为加速常数 r 1 r 2 为两个随机函数 取值 范围为 0 1 pbest id 为粒子i个体经历过的最好位置 矢量的第d维分量 x k id 为第k次迭代粒子i位置矢量 的第d维分量 gbest d 为种群经历过的最好位置矢量的 第d维分量 w为粒子i的惯性权重 表明上一代粒子 速度对当代速度的影响 当w值较大时 粒子具有较 强的全局收敛能力 但此时局部收敛能力较弱 当w 值较小时 粒子具有较强的局部收敛能力 此时全局收 敛能力较弱 由于在该算法中 参数w是固定的 这将 导致在对RBF神经网络进行优化时 算法的优化精度 会降低 为解决此问题 许荣斌等 17 提出新的惯性权重非 线性递减策略 使算法在迭代前期全局收敛能力强 迭 代后期局部收敛能力强 新的惯性权重更新公式为 w w min w max w min sin 2 1 t T 10 式中 w min 为最小惯性权重 w max 为最大惯性权重 t为 当前迭代次数 T为最大迭代次数 为曲线调整 因子 2 引 入 收 缩 因 子 的PSO 算 法 Clerc为了使粒 子整体的飞行速度得到有效控制 构造了引入收缩因子 的PSO算法 CFAPSO算法 18 使算法能在全局探测 和局部开采间达到有效的平衡 其改进公式如下 v k 1 id k v k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 11 式中 k称为收缩因子 k 2 2 2 4 槡 c 1 c 2 4 12 3 改 进CFAPSO 算 法 分析式 8 可知 粒子 速度的更新公式由 惯性 部分 认知 部分和 社会 部分组成 惯性 部分表明粒子对当前速度继承的 程度 认知 部分表明粒子向自身最佳位置逼近的趋 势 社会 部分表明粒子向群体最佳位置逼近的 趋势 当问题空间较大时 为了平衡算法的全局探测能 力和局部挖掘能力 在算法迭代前期 粒子的全局寻优 能力较强 在算法迭代后期 粒子的局部寻优能力较 强 本文首先对粒子更新公式的 惯性 部分进行改 进 引用式 10 作为改进算法的第一步 使算法在迭 代前期w值较大 在迭代后期w值较小 此外 为了有效地控制粒子整体的飞行速度 并确 保算法在全局探测和局部挖掘之间实现有效平衡 本 文结合CFAPSO算法 提出一种新的改进CFAPSO算 法 其粒子速度更新公式为 v k 1 id k wv k id c 1 r 1 pbest id x k id c 2 r 2 gbest d x k id 13 1 4 改 进CFAPSO RBF 神 经 网 络 模 型 的 实 现 改进CFAPSO RBF神经网络模型的实现步骤如下 1 采集样本 对样本进行归一化处理 2 使用最大最小距离算法 对样本数据进行聚 98 计 算 机 应 用 与 软 件 2020 年 类 确定隐层节点个数 3 初始化粒子群 设定粒子个数 迭代次数 曲线 调整因子 随机产生各粒子的初始速度v i 和初始位 置x i 4 比较每个粒子和它经历的最好位置的适应度 更新pbest i 5 比较每个粒子与其群体经历的最好位置的适 应度 更新gbest 6 更新粒子的位置和速度 7 重复步骤4 步骤6 直到达到计算精度 为止 8 解码群体经历的最好位置 并将该值作为RBF 神经网络的结构参数 对网络进行训练 2 实 验 与 结 果 分 析 2 1 样 本 数 据 获 取 本文实验数据来源于泾阳欣悦蔬菜示范园 园区 已建成大棚64个 日光温室8个 全部采用钢架结构 大棚内设施包括温室检测系统 遮阳系统 通风系统 等 本文以1小时为时间间隔 采集2018年12月15 日至2019年1月13日之间的室外气压 温度 相对湿 度 降水量 风力数据 以及室内温度 湿度数据 每个 影响因子每天共采集24组数据 共计30天 从该数据 中选择前520组数据作为训练样本 剩余200组数据 作为测试样本 2 2 数 据 预 处 理 不同的量纲和量纲单位会产生不同的评价指标 从而影响数据分析的结果 为了消除量纲对指标的影 响 本文对数据进行归一化处理 使样本数据映射到 0 1 之间 归一化公式为 y x i x min x max x min 14 式中 x i 为输入样本数据 x min x max 分别为输入样本数 据的最小值和最大值 2 3 预 测 模 型 参 数 求 解 1 RBF 神 经 网 络 结 构 求 解 通过获取样本数据 的规模 运用最大最小距离算法确定隐层节点个数为 12个 因而确定RBF神经网络结构为6 12 1 即 RBF神经网络输入层特征为6个 分别是室外气压 温 度 相对湿度 降水量 风力数据和室内湿度数据 隐层 节点个数为12个 输出层特征为1个 特征为室内温 度数据 2 改 进CFAPSO 算 法 各 参 数 的 初 始 值 求 解 在初始化粒子群阶段 设定粒子个数为35个 由于 PSO算法的迭代次数 会影响模型的训练时间 为提高 模型的训练效率 减少模型的训练耗时 本实验预设置 算法的最大迭代次数为T 100 改进CFAPSO算法的 适应值变化曲线如图3所示 图3 改进CFAPSO算法适应度变化曲线图 由图3可知 当迭代次数为40时 改进CFAPSO 算法的适应度曲线基本收敛 算法适应度达到最优值 如果继续搜索 算法的搜索时间开销将会增加 因此本 文实验中的进化迭代次数均设置为40次 在改进CFAPSO算法中 收缩因子和惯性权重控 制整个粒子的飞行速度和寻优能力 由式 13 知 加 速常数c 1 c 2 和最大 最小惯性权重w max w min 确定时 曲线调整因子 是确定整个粒子飞行速度和寻优能力 的关键 一般情况下 w max 0 9 w min 0 4 c 1 2 8 c 2 1 3 图4为 取不同值时 收缩因子结合惯性权 重的递减函数对比曲线 图4 收缩因子结合惯性权重递减函数对比曲线 由图4可知 不同 值使算法的寻优能力不同 当 1 6时 与线性递减函数变化曲线相比 改进 CFAPSO算法的收缩因子结合惯性权重的非线性曲 线 在保证粒子整体飞行速度的基础上 在算法搜索前 期 获得较大值概率较高 有利于算法的全局搜索 在 第6 期 张 坤 鳌 等 基 于 改 进CFAPSO RBF 神 经 网 络 的 温 室 温 度 预 测 研 究 99 算法搜索后期 获得较小值概率较高 有利于算法的局 部搜索 综上 确定改进CFAPSO算法的特征参数分别是 粒子个数为35 个 迭代次数为40 次 w max 0 9 w min 0 4 c 1 2 8 c 2 1 3 1 6 2 4 预 测 模 型 评 价 标 准 为检验神经网络模型的预测效果 本文采用平均 绝对误差 MAE 均方误差 MSE 和均方根误差 RMSE 作为神经网络模型预测性能的评价标准 各 评价指标计算公式如下 MAE 1 n n i 1 y i y i 15 MSE 1 n n i 1 y i y i 2 16 RMSE 1 n n i 1 y i y i 槡 2 17 式中 y i 和y i 分别为第i组性能评价数据的实际值和预 测值 n为样本总数 2 5 实 验 结 果 分 析 对RBF PSO RBF CFAPSO RBF 改进CFAPSO RBF神经网络模型的测试样本进行预测 得到的预测 结果如图5所示 图5 各模型对测试样本的预测结果 由图5可知 相对于RBF PSO RBF CFAPSO RBF 改进CFAPSO RBF神经网络模型的预测效果明显更 优 预测值和真实值之间的误差更小 这主要是因为 改进的CFAPSO RBF结合了PSO RBF和CFAPSO RBF 的优点 在选取了合适的参数后 一方面使算法的寻优 能力处于前期注重全局寻优 后期注重局部寻优 另一 方面由于控制了粒子的速度 使算法能达到全局性与 局部性的平衡 为进一步评价预测精度 对4种模型的预测精度 性能指标计算如表1所示 表1 各 模 型 的 预 测 精 度 性 能 指 标 预测模型 MAE MSE RMSE RBF 6 078 49 806 7 057 PSO RBF 4 918 42 206 6 497 CFAPSO RBF 4 799 37 454 6 120 改进CFAPSO RBF 4 395 26 818 5 179 由表1可知 改进CFAPSO RBF神经网络模型的 MAE MSE RMSE 值均低于RBF PSO RBF和CFA PSO RBF神经网络模型 实验证明 在神经网络参数 选择合理的情况下 与RBF PSO RBF和CFA PSO RBF神经网络模型相比 改进CFAPSO RBF神经网络 模型具有更好的预测效果 3 结 语 本文在对温室内外气象因子进行分析的基础上 选择影响温室内外的主要气象因子作为输入量 以温 室内的温度作为输出量 首先使用最大最小距离算法 计算出隐层节点个数 然后使用改进CFAPSO算法对 RBF神经网络隐层场中心 场域宽度进行优化 建立温 室温度预测模型 实验结果表明 改进CFAPSO RBF 温室温度预测模型的预测精度有了明显提高 预测结 果在温室温度管理方面有一定的参考价值 参 考 文 献 1 王定成 温室环境的支持向量机回归建模 J 农业机械 学报 2004 5 106 109 2 陈俐均 杜尚丰 李嘉鹏 等 温室环境温度预测自适应机 理模型参数在线识别方法 J 农业工程学报 2017 33 S1 315 321 3 郁莹珺 徐达宇 寿国忠 等 基于经验模态分解和小波神 经网络的温室温湿度预测 J 江苏农业科学 2019 47 1 211 216 4 GruberJK Guzm n JL Rodr guez F etal Nonlinear MPCbasedonaVolterraseriesmodelforgreenhousetemper aturecontrolusingnaturalventilation J ControlEngineer ingPractice 2011 19 4 354 366 5 任守纲 刘鑫 顾兴健 等 基于R BP神经网络的温室小 气候多步滚动预测模型 J 中国农业气象 2018 39 5 314 324 6 杨雷 张宝峰 朱均超 等 基于PCA PSO LSSVM的温室 大棚温度预测方法 J 传感器与微系统 2018 37 7 52 55 7 秦琳琳 马娇 黄云梦 等 基于积温理论的温室温度混杂 系统预测控制 J 农业机械学报 2018 49 10 347 355 下 转 第107 页 第6 期 陈 化 飞 等 互 联 网 回 收 供 应 链 策 略 研 究 107 析 且没有将政府对正规企业的补贴纳入决策中 这是 今后研究需要改进的地方 参 考 文 献 1 Savaskan R C Bhattacharya S Van Wassenhove L N Closed Loopsupplychainmodelswithproductremanufactur ing J ManagementScience 2004 50 2 239 252 2 WuX ZhouY Theoptimalreversechannelchoiceunder supplychain competition J European Journal ofOpera tionalResearch 2017 259 1 63 66 3 SheuJB GaoXQ Allianceornoalliance Bargainingpow erincompetingreversesupplychains J EuropeanJournal ofOperationalResearch 2014 233 2 313 325 4 YooSH KimBC Jointpricingofnewandrefurbishedi tems acomparisonofclosed loopsupplychainmodels J InternationalJournal ofProduction Economics 2016 182 132 143 5 陈军 田大钢 闭环供应链模型下的产品回收模式选择 J 中国管理科学 2017 25 1 88 97 6 许民利 聂晓哲 简惠云 不同风险偏好下双渠道供应链 定价决策 J 控制与决策 2016 31 1 91 98 7 魏洁 废弃电器电子产品 互联网 回收模式构建 J 科技管理研究 2016 21 230 234 8 李春发 杨琪琪 韩芳旭 基于C2B的废弃电器电子产品 网络回收系统利益相关者关系研究 J 科技管理研究 2014 23 233 239 244 9 FengLP GovindanK LiCF Strategicplanning design andcoordination for dual recycling channel reverse supply chainconsideringconsumerbehavior J EuropeanJournal ofOperationalResearch 2017 260 2 601 612 10 许民利 向泽华 简惠云 考虑消费者环保意识的WEEE 双渠道回收模型研究 J 控制与决策 2020 35 3 713 720 11 许民利 邹康来 简惠云 互联网 环境下考虑消费者 行为的资源回收策略 J 控制与决策 2019 34 8 1745 1753 12 李锋 魏莹 异质消费者行为模式下的双渠道供应链系统 协调与优化 J 系统管理学报 2015 24 5 762 768 13 李锋 魏莹 策略型消费者对双渠道供应链系统最优定价 策略的影响 J 系统管理学报 2019 28 1 165 173 14 AbbeyJD BlackburnJD GuideVDR Optimalpricing fornewandremanufacturedproducts J JournalofOpera tionsManagement 2015 36 130 146 15 赵静 肖亚倩 不同渠道偏好和运营成本下双渠道闭环供 应链定价决策研究 J 运筹与管理 2018 27 12 108 114 16 YinJF GaoYN XuH Surveyandanalysisofconsumers behaviourofwaste mobile phone recycling in china J JournalofCleanerProduction 2014 65 1 517 525 17 Yl MellaJ KeiskiRL Pongr czE Electronicwastere coveryinfinland consumers perceptionstowardsrecycling andre useofmobilephones J WasteManagement 2015 45 374 384 18 Sarath P Bonda S Mohanty S et al Mobile phone waste management and recycling views and trends J Waste Management 2015 46 536 545 19 李春发 邹雅玲 王雪红 等 WEEE回收网站交互性对消 费者回收行为的影响 消费者交易感知的中介作用 J 科技管理研究 2015 3 209 214 20 李春发 冯立攀 随机需求多渠道供应链Stackelberg协调 博弈分析 J 计算机集成制造系统 2014 20 9 2313 2319 21 易余胤 袁江 渠道冲突环境下的闭环供应链协调定价模 型 J 管理科学学报 2012 15 1 54 65 上 接 第99 页 8 徐意 项美晶 基于RBF神经网络的温室温度调控研究 J 农机化研究 2010 32 3 74 76 9 郭通 兰巨龙 李玉峰 等 基于量子自适应粒子群优化径 向基函数神经网络的网络流量预测 J 电子与信息学 报 2013 35 9 2220 2226 10 张昭昭 乔俊飞 余文 多层自适应模块化神经网络结构 设计 J 计算机学报 2017 40 12 2827 2838 11 夏爽 李丽宏 基于PSO RBF神经网络在温室温度预测 中的应用 J 计算机工程与设计 2017 38 3 744 748 12 王媛媛 基于改进PSO优化RBF神经网络的温室温度预 测研究 J 计算机与数字工程 2016 44 7 1210 1215 13 段其昌 赵敏 王大兴 一种改进PSO优化RBF神经网络 的新方法 J 计算机仿真 2009 26 12 126 129 14 王雪松 梁昔明 基于BPSO RBF神经网络的网络流量预 测 J 计算机应用与软件 2014 31 9 102 105 15 甘文道 周城 宋波 基于RAN RBF神经网络的网络安全 态势预测模型 J 计算机科学 2016 43 S2 388 392 16 逯少华 张晓伟 鲍承强 等 柯西种群分布的自适应范围 粒子群优化算法 J 计算机应用 2014 34 4 1070 1073 1079 17 许荣斌 王业国 王福田 等 基于改进PSO BP算法的快 递业务量预测 J 计算机集成制造系统 2018 24 7 1871 1879 18 KennedyJ EberhartRC Particleswarmoptimization C Proceedings of IEEE International Conference On Neural Networks Perth Australia IEEE 1995 1942 1948