基于群智能算法优化BP 神经网络的应用研究综述

2024年3月24日发(作者：安全教育培训心得)

ISSN1009-3044

ComputerKnowledgeandTechnology

第16卷第35期(2020年12月)

电脑知识

与技术

Vol.16,No.35,

December.

2020

E-mail：************

Computer

http

KnowledgeandTechnology

电脑知识

与技术

：//

Tel：+86-551-6569

基于群智能算法优化BP神经网络的应用研究综述

杨洋，陈家俊

(皖西学院电子与信息工程学院，安徽六安237012)

摘要：BP神经网络广泛应用于众多实际问题解决中，但是有一些缺点：容易陷入局部最小值，学习速度慢，计算精度低等。

采用群智能算法优化的BP神经网络，可行性和实用性更强。本文对群智能算法中的遗传算法、蜂群算法、蚁群算法和萤

火虫算法优化的BP神经网络应用进行分析和综述，对群智能算法优化BP神经网络的未来发展有着重要的参考价值。

关键词：群体智能；BP神经网络；遗传算法；蜂群算法；蚁群算法；萤火虫算法

中图分类号：TP311文献标识码：A

开放科学（资源服务）标识码（OSID）:

ReviewonApplicationofIntelligentAlgorithmtoOptimizeBPNeuralNetwork

（SchoolofElectronicsandInformationEngineeringWestAnhuiUniversity,Lu’an237012,China）

Abstract:BPneuralnetworkiswidelyudinmanypracticalproblems,butithassomedisadvantages:easytofallintolocalmini⁃

mumvalue,slowlearningspeed,alnetworkoptimizedbyswarmintelligencealgorithmismore

peranalyzesandsummarizestheapplicationofBPneuralnetworkoptimizedbygeneticalgorithm,

beecolonyalgorithm,antcolonyalgorithmandfireflyalgorithm,whichhasimportantreferencevalueforthefuturedevelopmentof

swarmintelligencealgorithmoptimizationBPneuralnetwork.

Keywords:swarmintelligence;neuralnetwork;geneticalgorithm;beecolonyalgorithm;antcolonyalgorithm;fireflyalgorithm

YANGYang,CHENJia-jun

文章编号：1009-3044(2020)35-0007-04

人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也

简称为神经网络（NNs）或称作连接模型（ConnectionModel），它

是一种模仿动物神经网络行为特征，进行分布式并行信息处理

的算法数学模型。这种网络依靠系统的复杂程度，通过调整内

部大量节点之间相互连接的关系，从而达到处理信息的目

[1]

的。

1986年，Rumelhant和McClelland提出了多层前馈网络的

误差反向传播(ErrorBackPropagation)神经网络学习算法

[2]

。

BP神经网络的基本原理是，利用已有结果的数据对网络

进行训练，之后用训练好的网络模型对未知数据样本进行输出

预测

[3]

。BP神经网络因具有良好的非线性映射能力、自学习和

自适应能力,成为目前应用最多的神经网络之一

[4]

。

群体智能源于对以蚂蚁、蜜蜂等为代表的社会性昆虫的群

体行为的研究，最早被用在细胞机器人系统的描述中。它的控

制是分布式的，不存在中心控制，群体具有自组织性

[5]

。

1989年GerardoBeni和JingWang在文章《SwarmIntelli⁃

gence》中第一次提出了“群体智能”这个概念

[6]

。

SI的优点在于

[7]

：（1）灵活性：整个种群能够快速适应变化

的环境；（2）鲁棒性：即使少数个体无法工作，整个种群依然能

够正常运转；（3）自组织性：整个种群只需要相对较少的监督或

自上而下的控制。

目前群智能研究主要包括智能蚁群算法、萤火虫算法、遗

传算法、混合蛙跳算法、鸟群搜索和蜂群算法等。其中，遗传算

法,蜂群算法,蚁群算法,萤火虫算法在求解实际问题时应用较

为广泛。本文对这四种算法优化BP神经网络的应用方法进行

研究和分析，并对各种方法存在的问题进行总结，列举了各种

方法的应用场景，对群智能算法优化BP神经网络的应用研究

有一定的参考价值。

1遗传算法优化BP神经网络

1.1遗传算法

遗传算法（geneticalgorithm，GA）受生物进化论启发，是一

种通过模拟自然界中适者生存、优胜劣汰的进化过程得到待解

决问题的最优解的方法

[8]

。

遗传算法对参数的编码从多点进行操作，可以有效防止搜

索过程陷于局部最优解。BP网络沿着误差减小的最大梯度方

向调整网络权值，容易陷入局部最小值。采用遗传算法优化

收稿日期：2020-08-12

基金项目：安徽省教育厅一般项目（KJ103762015B10）

作者简介：杨洋（1980—），女（回族），安徽六安人，讲师，硕士，主要研究方向为智能算法及其应用；陈家俊（1978—），女，副教授，硕

士，主要研究领域为智能算法及其应用。

本栏目责任编辑：李雅琪

本期推荐

7

ComputerKnowledgeandTechnology

电脑知识

与技术

BP网络的初始权值，

应用现状及分析

可以有效改善此问题

[9]

。

1.2

张华伟等

[10]

提出了适用于拼焊板盒形件拉深成形压边力

预测的BP神经网络模型，采用遗传算法优化神经网络，采用实

数编码对个体进行编码，选择轮盘赌法，并使用精英保留策略。

实验表明，预测误差由原本的15.68%降至现在的5.08%，幅度

明显，满足了实际生产中的压边力预测要求。

刘宇等

[11]

提出了基于遗传算法优化神经网络的多源信息

融合定位方法，对组合和推算定位结果向真实定位结果训练融

合，实验表明，预测均方误差降低了约75%，融合定位较单一定

位方式，精度平均提升约47%。所提的优化方法具有更优的定

位性能。

王倚文等

[12]

建立了附加摄动改正参数训练的GA-BPNN轨

道误差模型（BDS），采用BDS星历数据作为试验对象，结果表

明，进行卫星轨道解算补偿时能提高25%-75%不等，轨道误差

得到了有效减小，对于减少BDS系统级误差有重要参考价值。

李明星等

[13]

提出了以径向基函数神经网络构建实验设计

样本的近似模型，然后用多目标遗传算法进行数值优化获得防

护组件最优方案。实验证明，优化方案满足设计要求，可以显

著提升防雷板的防护能力。

表1遗传算法优化BP神经网络的应用及分析

作者及文献应用方法应用价值存在问题应用场景

改进算法和动量梯度下降法

提高了对红白细数据量太

刘晓彤等

[14]14]

相结合，消除网络在梯度下降

胞的识别准确度，大，网络的

尿液有形

并大大缩短了识识别速度不

成分的分

中产生的摆动。

别时间。是很快

类识别

提出一种基于GA优化BP神存在局限

经网络的YG8硬质合金耐磨

预测材料耐磨性

李帆等

[1515]]

正确率高，预测精

性，隐含层硬质合金

性预测模型，取试验中的几项

GA-BP模型输

度大幅度提高，实

节点数量选耐磨性预

关键参数作为

入，磨损量作为输出。

用价值较大。

择存在不确测

定性。

采用K折交叉验证训练GA-有效减轻用户疲个体适应值

朱苗苗等

[16]16]

BP改进模型，

劳，大幅提高优化质量有待提

CAM

风格图案

蜡染

数，得到代理模型。

度量均方误差函

效率高设计

建立一级数据控制和订正模

产品反演精度得计算量较

张天虎等

[17]17]

型，建立精度更高的大气温湿

到大幅度提升，数大，训练样

地基微波

度反演模型

据的相关性有显本的选取存

辐射计大

著提升在局限性

气探测

2人工蜂群算法优化BP神经网络

2.1人工蜂群算法受蜜蜂觅食行为启发

ny）算法

2005

[18-19]

年

。通过模拟蜂群的采蜜活动，

Karaboga等人提出了人工蜂群

用来解决高维和多目

（ArtificialBeeColo⁃

标优化问题，

boga

快速得到局部最优解。2007年～2008年DKara⁃

络，取得良好的应用效果

提出系统的蜂群算法，

[20-21]

并采用蜂群算法训练人工神经网

CbTS

Badem

。

[22]

层，来调整深度神经网络

），包括一个或多个级联到

提出一种基于混合人工蜂群的训练策略

（DNN）

softmax

（HAB⁃

结构的参数。

分类层的自动编码器

HABCbTS具有

更好的分类性能，其训练的DNN分类器适应性强，也可用于卷

8

本期推荐

第16卷第35期(2020年12月)

积神经网络等类似神经网络

[23]

。可应用在模式识别、语音处

理、医学等方面。

2.2应用现状及分析

徐健等

[24]

提出一种基于交叉运算和全局搜索因子的人工

蜂群优化

balArtificial

BP神经网络分类方法——CGABC-BP

脑电信号进行分类，

BeeColony

（CrossGlo⁃

分类正确率得到了提高，

andBackPropagation）。用这种方法对

使脑电信号更加

精准地控制外部设备，对康复医疗等领域的发展有着重要的

价值。

杨粟涵等

[25]

提出了再制造物流网络模型，采用蜂群算法进

行编码仿真，使网络设施的位置和数量得到正确的结果，实验

表明，该模型效果很好，可行性好，并且在求解此类复杂问题时

人工蜂群算法的各优越性能得到了充分发挥。

罗海艳

[26]

提出了采用三层BP神经网络算法，搭建移动用

户行为分析预测模型，通过黑盒测试方法，预测成功率达80%

以上。采用初始总群数为1000，进行了收敛性测试。试验表

明：该模型有效地提高了移动用户行为分析的效率和准确性，

对用户上网需求的准确定位以及企业竞争力的大力提升具有

一定的应用价值。

文祝青等

[27]

提出了一种基于ABC-BP神经网络的指纹识别

算法，不断地训练指纹的特征点坐标的数值，获得最优的数据，

实验表明，该算法获取了完整的有效的指纹识别结果，对指纹

系统的精确识别具有很大的价值。

表2蜂群算法优化BP神经网络的应用及分析

作者及文献应用方法应用价值存在问题应用场景

在ABC中引入自适应变预测记过误差减

选取了历史交

黄恩潭等

[2828]]

异操作和选择、交叉与变小，精确度提高，

通流量数据作

异操作，使用擦书对短时获得了良好的预

为研究数据，没

短时交通

交通流进行预测测效果。

有考虑更多的

流预测

实际因素

提出了NABC，对多点位对降水预报提高

如何设置更好

李晓静

[29]29]

置进行同步更新，根据搜了其精确度，减

的参数，以充分

索进度改变自适应参数。小了误差

发挥各自的优

降水预报

点

建立入侵检测模型，实时

提高了入侵检测

杨辉

[30]30]

检测云计算各种各样的

精确度和检测速收敛速度有待云计算入

攻击行为。

度，进一步保证进一步提高侵检测

环境安全

建立双隐含层模型，对黄

水质评价均方误

差小，收敛速度

需要更多年份

杨咪等

[3131]]

河水系2012年监测数据

快结果稳定可

的测试数据，以水质评价

作水质评价。

靠。

规避特殊性

3蚁群算法优化BP神经网络

3.1蚁群算法

蚁群算法（AntColonyOptimization，ACO）是一种基于种群

寻优的启发式搜索算法，能够优化BP神经网络的权值和阈值，

通过正反馈和分布式协作来实现全局最优，避免陷入局部

最优

[32]

。

3.2应用现状及分析

王岩雪

[33]

提出了一种蚁群优化BP神经网络的政务云网络

本栏目责任编辑：李雅琪

第16卷第35期(2020年12月)

安全态势预测模型，改进算法的信息素更新规则，并将优化的

权值和阈值用于BP神经网络训练和预测。实验表明，该模型

在网络安全态势预测中，显著地提高了其收敛速度和预测

精度。

王勃等

[34]

提出一种BP神经网络的RPROP混合算法，合并

处理所有海量信息中具有相同关系的数据，去除相同项，迭代

次数改善明显，实验表明，该算法大力提高了网络分类正确率

和运行的效率，具有一定的实用价值。

BP

曾植等

[35]

提出组合蚁群算法(CombinedACO，CACO)优化

系统与

神经网络，

MAX-MIN

限制信息素轨迹量值域范围，

蚂蚁系统互相结合，验证表明，

把精英策略的蚂蚁

改进的算法提

高了变压器潜伏性故障诊断的准确性和可靠性，对变压器故障

诊断有重大的意义。

唐锡雷

[36]

提出了蚁群优化神经网络的船舶排水量估计方

法，在估算模型中输入定点水域密度系数，估算出船舶排水量。

实验表明，该方法能精确有效地提高船舶排水量的估算水平。

表3蚁群算法优化BP神经网络的应用及分析

作者及文献应用方法应用价值存在问题应用场景

采样于SantaCruz盆地海底采样数据

多波束及底质，对三种

预测平均误差大

少，三种底质

秦浩森等

[37]37]

底质类型基岩、泥质

幅度下降，底质

分类正确率明显

比例不平衡，

海底底质

砂、砂质泥分别进行分

聚类分析

提高

预测稳定性待

类训练提高

提出了改进的ACO-相对误差明显下动力电池

王震等

[38]38]

法，

BP，

改进了全局信息素

采用惯性矫正算

降，精度和稳定

影响电池SOC

性得到大幅度提

的其他因素背

以更新规则高

忽略

of

SOC(state

charge)

估算

的

提出了一种改进的网络数据通信量仅考虑了传输

IFA-IACOBP模型，引

和网络能耗大幅时节点间的距

无线传感

余修武等

[39]39]

入启发因子，将改进模度减少，数据实离关系，没有

器网络

型应用到井下WSN的时性、网络寿命加入能量的影

(WSN)

数据融合中得到提升响

工作

深井

提出了一种改进算法，

用电池直流内阻来表

肖仁鑫等

[40]40]

示SOH，再引入到电池

提高了电池直流

忽略了温度对

电池衰退的影

电池健康

健康状态估计种。

内阻预测准确度

响

状态估计

4萤火虫算法优化BP神经网络

4.1萤火虫算法

zation

目前共有两种萤火虫算法，

，GSO）在2005年由Krishnanand

一种（GlowwormSwarmOptimi⁃

[41]

提出，GSO算法是模拟

现实中萤火虫觅食行为而提出的一种新型元启发式搜索算法。

另一种（FireflyAlgorithm，FA）在2009年由Yang

[42-43]

提出。采

用萤火虫算法来优化BP神经网络，通过萤火虫算法得到更好

的网络初始权值和阈值

[44]

。

4.2应用现状及分析

王慧等

[45]

提出了一种基于萤火虫优化的BP神经网络温度

补偿模型，使得神经网络的泛化性和搜索率大幅度提高。结果

表明：萤火虫优化的BP神经网络综合特性表现良好，压力传感

器温度补偿算法可行。郭震等

[46]

提出一种萤火虫算法（FA）优

化BP神经网络的温度漂移补偿方法，选取7个温度点，建立陀

螺仪温度漂移模型，结果表明，该模型使陀螺仪温度漂移得到

了缓解，较传统BP神经网络，补偿效果得到了较大的提高。毛

君等

[47]

提出了一种基于改进萤火虫算法优化神经网络故障诊

本栏目责任编辑：李雅琪

ComputerKnowledgeandTechnology

电脑知识

与技术

断方法。首先对刮板输送机减速器故障特征参数进行特征提

取，其次应用特征数据样本进行基于神经网络的故障诊断模型

训练，利用改进萤火虫算法对神经网络权值、阈值进行优化，加

快目标的优化求解，得到最优的网络模型。研究表明将改进萤

火虫算法与BP(backpropagation)神经网络结合可以有效地解

决神经网络收敛速度慢，易陷入局部最优等问题，可以对刮板

输送机减速器的故障进行准确诊断。张明等

[48]

提出了一种应

用于障碍物模式识别中的改进进化机制的萤火虫算法

FA

网络模型的障碍物识别效果更好。

），采用位置移动策略，实验表明，由IEMFA优化的BP

（IEM⁃

神经

表4萤火虫算法优化BP神经网络的应用及分析

作者及文献应用方法应用价值存在问题应用场景

建立了基于FA-BP的电动汽车电

电池荷电SOC估算模

估算结果精确度

吴华伟等

[4949]]

型，输入为端电压和

大幅度提升，电动

忽略了电池寿池荷电状态

放电电流，输出为

汽车SOC得到了

命、室内温度等（stateof

SOC。

优化

的影响

charge

估算

，SOC）

构建了应用于股价预

测的优化模型(SFA－未引入开盘价、

刘园园等

[50]50]

BP)，选取

预测效果理想，预

最高最低价、成

预测股票价

据，进行股价预测精

4种股票数

测精度优化明显

交量等数据

格

度的仿真实验

提出一种改进算法，对公交行程时间检验数据量有

彭新建等

[51]51]

利用GPS数据进行训的预测准确性和限，影响实际预

公交行程时

练和建模稳定性有所提高测精度

间预测

提出改进的IBGSO，

优化计算速度及

初始萤火虫种

李敬明等

[52]52]

采用高斯变异函数，群的随机性大，农业干旱灾

应用于农业干旱灾害

精度，旱情评估的

评估。

准确性大大提升．

稳定性有待提害评估

高

5总结

本文对群智能算法中的遗传算法、蜂群算法、蚁群算法和

萤火虫算法优化的BP神经网络应用的相关研究进行了综述。

改进模型广泛应用于交通出行、医学识别、天气预测、金融评

估、海洋水质分析等各领域，分别在数据的精确程度、计算速度

和稳定性上得到了明显提升。但因为各应用场景的特殊性，仍

存在不足，如数据量采集不够充分、影响因素考虑不足、计算量

太大、样本选取难度大等。在今后的研究中，有更多的问题需

要继续的完善和探索。

参考文献：

[1]

[2]

何明.大学计算机基础[M].

tations

Rumelhart

by

DE,HintonGE,Williams

南京:东南大学出版社

ng

,2015.

repren⁃

[3]

-536

back-propagatingerrors[J]Nature，1986，323(3):533

MRI

WANG

．

bad

JC,YU

onBP

Y,YANG

neuralnetwork[J].Journal

K,umcr

of

gmentation

Biomedical

of

[4]

gineeringRearch,2016,35(4):290-293.

En⁃

static

BADIH,HAMZAA,hodforoptimizationof

Conference(IntelliSys).IEEE,2017:542-544.

handgesturerecognition[C]//2017IntelligentSystems

本期推荐

9

ComputerKnowledgeandTechnology

电脑知识

与技术

[5]

Intelligence:

Bonabeau,Eric;Dorigo,Marco;Theraulaz,

[6]

513159-2.

FromNaturaltoArtificialSystems.

Guy(1999).

ISBN

Swarm

0-19-

HincheyMG，SterrittR，and

[7]

gence[J].Computer，2007，40（4）：111-113

swarmintell⁃

think

Bonabeau

about

EMeyer

business[J].Harvard

ntelligence

Business

：

Review,2001,79

Awholenewway

（5）

to

：

[8]

106-114

Architectures

SUNY,XUEB,ZHANG

UsingGenetic

M,et

Algcrithm

tically

forImage

Designing

Classification

CNN

[9]

[J].arXiv:1808.03818,2018.

邱华鑫,段海滨,范彦铭.

[10]

编队

张华伟

[J].控制理论与应用

基于鸽群行为机制的多无人机自主

,2015,32(10):1298-1304.

[11]

力预测

源信息融合室内定位方法

刘宇,惠鸿飞

[J].

,郑晓涛

东北大学学报

.基于遗传算法优化神经网络的拼焊板压边

,路永乐,等

(自然科学版

.基于遗传算法优化神经网络的多

),2020,41(2):241-245.

[12]

67-73.

[J].中国惯性技术学报,2020,28(1):

王倚文,许承东,彭雅奇,等.基于GA-BP神经网络的

[13]

道误差模型研究

李明星,王显会

[J].

,周云波

计算机仿真

,

,2020,37(2):82-86.

BDS轨

[14]

护组件优化

刘晓彤,王伟

[J].

,李泽禹

爆炸与冲击

等

,等.基于改进

,2020,40(2):107-115.

.基于神经网络的车辆抗冲击防

BP

[15]

白细胞识别算法

YG8

李帆

[J].计算机科学,2020,47(2):102-105.

神经网络的尿液中红

硬质合金耐磨性预测模型

,闫献国,陈峙,等.基于遗传算法优化

[J].金属热处理

BP

,2019,44(12):

神经网络的

[16]

244-248.

朱苗苗,潘伟杰,刘翔,等.

[17]

式遗传算法

张天虎,鲍艳松

[J].计算机工程与应用

基于BP神经网络代理模型的交互

,

,2020,56(2):146-151.

[18]

大气温湿廓线

钱芝颖.基于BP神经网络与遗传算法反演

cal

Karaboga

[J].热带气象学报,2020,36(1)：97-107.

optimization

，Technical

ideabad

Report-

onhoney

TR06[R].Kayri

beeswarmfor

，Turkey

numeri⁃

：

[19]

Erciyes

numerical

Karaboga

University

D

，2005.

[20]

[J].Journal

function

，Basturk

ofGlobal

optimization

ful

Optimization

：Artificial

andefficientalgorithmfor

，2007，39

bee

（

colonyalgorithm

(ABC)

KarabogaD,BasturkAkayB,cial

3）：459-471.

ral

Intelligence,

Networks

Optimization

[C].In:

Algorithm

LNCS:Modeling

forTraining

Decisions

Feed-Forward

BeeColony

forArtificial

Neu⁃

[21]

318-319.

Springer-Verlag,BerlinHeidelberg,2007(4617):

Training

Karaboga

Signal

Artificial

D,Basturk

Neural

cial

Networks[C].

Bee

In:

Colony

2007

Algorithm

IEEE15th

on

[22]

1-4.

ProcessingandCommunicationsApplications,2007:

ing

BademH，BasturkA，CaliskanA，

ficial

strategyfordeepneuralnetworksbyhybrid-ization

efficient

of

train⁃

arti⁃

[23]

rithms[J].Neurocomputing

beecolonyandlimited-memory

，2017，266

BFGSoptimizationalgo⁃

机工程与应用

林诗洁,董晨,

,

陈明志

2018，54

,等

（

.

12

新型群智能优化算法综述

：506-526.

）:1-9.

[J].计算

10

本期推荐

第16卷第35期(2020年12月)

[24]

经网络的脑电信号分类

徐健,陈倩倩,刘秀平.基于交叉运算的人工蜂群优化

[J].激光与光电子学进展,2020,57

BP神

[25]

(21):212001.

[26]

中的应用

杨粟涵,张平华

移动用户行为分析及预测方法

罗海艳,杨勇

[J].河南科技

,于蕾.人工蜂群算法在再制造物流网络优化

,王珏，等

,

.

2019,694(32):11-14.

基于人工蜂群改进的BP神经网络

[27]

46(6)

文祝青

：757-761.

[J].沈阳农业大学学报,2015,

,吴志攀.

[28]

法研究

黄恩潭，

[J].

谷远利

电脑知识与技术

一种基于

,2017,13(32)

ABC-BP神经网络的指纹识别算

：195-198.

[29]

的短时交通流预测

,基于改进人工蜂群算法优化小波神经网络

李晓静.基于改进蜂群算法的神经网络及其应用

[J].山东科学,2018,3l(2):79-87.

[J].

[30]

院学报

[31]

[J].

杨辉

信息技术与信息化

.

,2015,22(2):29-34.

琼州学

人工蜂群-BP网络算法在云计算入侵检测中的应用

,2020(4):150-154.

神

杨咪，

经网

徐盼盼，

络水质

钱会，

模型[J].

等.

环

基于人工蜂群算法的

境监测管理与技术

BP

,2018,

双隐含层

30(1):

[32]

21-26.

乔东平,裴杰,

[33]

导刊，

络态势预测研究

王岩雪

2017

肖艳秋，等．蚁群算法及其应用综述[J]．软件

,孙大跃

，16(12)

.基于蚁群算法优化

：217-221.

[J].现代电子技术.(/kcms/

BP神经网络的政务云网

[34]

detail/).

合

王勃

算法

,徐静

仿真

.基于蚁群优化算法的

的研究[J].计算机测

BP

量

神经网络的

与控制,2018

RPROP

，26(7):

混

[35]

195-202.

曾植,张寒,杨廷方,等

[36]

断变压器潜伏性故障

唐锡雷

[J].

.基于组合蚁群算法优化神经网络诊

电气应用,2019（6）:43-49.

[37]

技术

秦浩森

,2018,40(3A):10-12.

.蚁群优化神经网络的船舶排水量估计[J].舰船科学

,丁咚,王祥东,等.蚁群算法优化BP神经网络声学底

[38]

质分类方法

[39]

估算中的应用

王震,陆金桂

[J].

.

中国海洋大学学报,2019,49(II):60-68.

余修武,刘琴

[J].

改进的

,李向阳

轻工学报

ACO-BP

,等

,2019,34(4):81

神经网络在锂离子电池

.基于改进蚁群的

－86．

SOC

BP

[40]

WSN

肖仁鑫

数据融合算法

,李沛森,李晓宇

[J].北京邮电大学学报,2018,41(4):91-96.

神经网络

[41]

健康状态估计[J].电源技术

,等

,2017,41

.基于蚁群神经网络算法的电池

(6)：916-919.

simultaneous

Krishnanand

capture

KN，Gho

ofmultiple

rmswarmoptimizationfor

[42]

functions[J].SwarmIntelligence，2009

local

，3（2

optimaofmultimodal

[43]

Luniver

YangX

）：87-124.

Press

-inspiredmetaheuristicalgorithms[M].[S.l.]：

[44]

Mathematics

y

，2008.

algorithmsformultimodaloptimization[J].

的

王改革

目标威

,郭立红

，2009

胁估计

,段红

，5792

[J].

,

：169-178.

吉

等

林

.基于萤火虫算法优化

大学学报（工学版）

BP

.2013,

神经网络

43(4):

[45]

1064-1069

感器温度补偿策略

王慧,符鹏

.

,宋宇宁.基于萤火虫优化BP神经网络方法的传

104.

[J].机械强度,2020,42(1):109-114

（下转第14页

：109-

）

本栏目责任编辑：李雅琪

ComputerKnowledgeandTechnology

电脑知识

与技术

第16卷第35期(2020年12月)

全面、高效地了解商品情况，从而支持消费者的购买决策，同时

也可以帮助商家更好地了解消费者的反馈和需求，进而改进商

品和服务等，提升用户购物体验。本文基于Python和Echarts

并结合jieba分词，对某款投影仪的评价文本设计了词云图、旭

日图、主题河流图等多种可视化形式，让用户多角度更全面地

了解商品，而且也适用于其他类型商品的评价文本可视化。但

是，本文中数据爬取的完整性以及不同属性评价词的自动标注

等有待后续深入研究。

参考文献:

[1]宋苏娟,彭卫,王冲.基于手机评论数据探究在线评论有用性

的影响因素[J].商场现代化,2020(11):1-4.

[2]曹丽,郭恺强.基于在线评论的网络营销策略研究[J].轻纺工

业与技术,2020,49(5):120-121.

[3]陈俊宇,郑列.基于R语言的商品评论情感可视化分析[J].湖

北工业大学学报,2020,35(1):110-113.

[4]徐博龙.应用Jieba和Wordcloud库的词云设计与优化[J].福

建电脑,2019,35(6):25-28.

[5]李春芳,石民勇.数据可视化原理与实例[M].北京:中国传媒

大学出版社,2018.

[6]韩帅康,江涛,张顺.大数据评论采集分析系统的设计与实现

[J].电脑知识与技术,2020,16(4):35-37.

[7]易小群,李天瑞,陈超.面向评论文本数据的旭日图可视化[J].

计算机科学,2019,46(10):14-18.

[8]百度Echarts[EB/OL].[2020-05-26]./

zh/.

【通联编辑：谢媛媛】

图17主题河流图关键配置

4结束语

对商品评价文本的可视化分析，可以帮助消费者更直观、

（上接第10页）

[46]郭震,刘颖,于福华.FA优化BP神经网络的MEMS陀螺仪温

度漂移补偿[J].微纳电子技术.2019,56(10)：817-827.

[47]毛君,郭浩,陈洪月.基于改进萤火虫算法神经网络的刮板输

送机减速器故障诊断[J].机械强度,2019,41(3):544-550.

[48]张明,张树群,雷兆宜.改进的萤火虫算法在神经网络中的应

用[J].计算机工程与应用,2017,53（5）:159-163.

[49]吴华伟,张远进,叶从进.基于萤火虫神经网络的动力电池

SOC估算[J].储能科学与技术,2019,8(3):575-579.

[50]刘园园,贺兴时.基于自适应萤火虫算法的BP神经网络股

价预测[J].渭南师范学院学报,2019,34(2):87-96.

[51]彭新建,翁小雄.基于萤火虫算法优化ＢＰ神经网络的公交

行程时间预测[J].广西师范大学学报（自然科学版）,2017,35

(1):28-36.

[52]李敬明,倪志伟,朱旭辉,等.基于改进二进制萤火虫的BP

神经网络并行集成学习算法[J].模式识别与人工智能,2017,

30(2):171-182.

【通联编辑：梁书】

14

本期推荐本栏目责任编辑：李雅琪