摘要
为了准确预测夜光藻密度,将粒子群优化算法(PSO)和广义回归神经网络(GRNN)相结合,提出一种新的夜光藻密度预测模型PSO-GRNN。该模型采用粒子群算法来选取广义回归神经网络最优的平滑因子,减少人为因素对预测结果的影响,同时提高模型的泛化能力。实验结果表明,PSO-GRNN模型相对BP模型、RBF模型、GRNN模型对夜光藻密度的预测精度更高。
A new density prediction model of noctiluca scintillans(PSO-GRNN)is proposed to accurately predict the density of noctiluca scintillans combining particle swarm optimization(PSO)and generalized regression neural network(GRNN).The PSO-GRNN model uses particle swarm optimization algorithm to select the optimal smoothing factor of the generalized regression neural network,which reduces the influence of human factors on the prediction results and improves the generalization ability of the model.The experimental results show that the PSO-GRNN model is more accurate than BP model,RBF model and GRNN model in predicting the density of noctiluca scintillans.
作者
李瑞东
宋金玲
刘建
李警波
LI Ruidong;SONG Jinling;LIU Jian;LI Jingbo(Hebei Normal University of Science&Technology,Qinhuangdao Hebei,066000,China)
出处
《河北科技师范学院学报》
CAS
2020年第4期48-52,共5页
Journal of Hebei Normal University of Science & Technology
基金
河北省自然科学基金面上项目(项目编号:D2019407046)
河北科技师范学院海洋科学研究专项(项目编号:2018HY020
2018HY013)
河北科技师范学院博士基金项目(项目编号:2019YB020)
2020年度河北省社会科学发展研究课题(课题编号:20200302075)。
关键词
夜光藻密度
预测模型
粒子群优化算法
广义回归神经网络
Density of noctiluca scintillans
prediction model
particle swarm optimization algorithm
generalized regression neural network
