Development of Neural-Net-Based Decision Support System for Mattress Patterns Using Particle Swarm Optimization

2010 ◽  
Vol 4 (2) ◽  
pp. 178-183 ◽  
Author(s):  
Mitsue Kato ◽  
◽  
Toru Yamamoto ◽  
Keyword(s):  
Particle Swarm Optimization ◽  
Decision Support ◽  
Decision Support System ◽  
Support System ◽  
Optimization Problems ◽  
Learning Algorithm ◽  
Particle Swarm ◽  
Neural Net ◽  
Swarm Optimization ◽  
Neural Network Learning

The particle swarm optimization (PSO) concept simulating a simplified social milieu, is optimization useful for solving nonconvex continuous optimization problems. We discuss a new learning algorithm for simultaneously adjusting connection weights in neural networks and user-specified parameters included in units. Based on our algorithm, neural network learning, e.g., learning cost or adaptability, can be improved, as demonstrated in mattress decision support system.

scholarly journals Prediksi Nasabah Yang Berpotensi Membuka Simpanan Deposito Menggunakan Naive Bayes Berbasis Particle Swarm Optimization

Techno Com ◽  
2018 ◽  
Vol 17 (2) ◽  
pp. 208-219
Author(s):  
Alvino Dwi Rachman Prabowo ◽  
Muljono Muljono
Keyword(s):  
Data Mining ◽  
Feature Selection ◽  
Particle Swarm Optimization ◽  
Decision Support ◽  
Decision Support System ◽  
Support System ◽  
Naive Bayes ◽  
Particle Swarm ◽  
Naïve Bayes ◽  
Swarm Optimization

Deposito masih merupakan pilihan utama bagi masyarakat untuk berinvestasi saat ini dan hal itu merupakan kesempatan bagi bank-bank untuk menentukan strategi pemasaran dan promosi yang lebih efisien dengan tidak terlalu banyak menggunakan biaya sehingga masyarakat tertarik untuk berinvestasi pada produk deposito dari bank tersebut. Atas dasar permasalahan tersebut, maka dilakukan penelitian untuk memprediksi nasabah yang berpotensi membuka deposito dengan menggunakan teknik data mining khususnya algoritma Naive Bayes berbasis PSO. PSO pada penelitian ini akan digunakan untuk feature selection yaitu dengan memilih attribut terbaik dengan memilih attribut yang sudah diberikan bobot sehingga dapat meningkatkan hasil akurasi dari prediksi menggunakan algoritma Naive Bayes. Hasil dari prediksi nasabah yang berpotensi membuka deposito dengan menggunakan Naive Baiyes memiliki akurasi sebesar 82,19%. Sedangkan prediksi yang menggunakan Naive Baiyes berbasis PSO memiliki akurasi sebesar 89,70%. Penggunaan algoritma PSO ternyata meningkatkan akurasi sebesar 7,51% dan algoritma Naive Baiyes berbasis PSO tersebut dapat digunakan untuk decision support system nasabah yang berpotensi membuka deposito karena menjadi model algoritma yang terbaik. 

The Application of BP Neural Network Learning Algorithm Based on the Particle Swarm Optimization

2013 ◽  
Vol 706-708 ◽  
pp. 2057-2062
Author(s):  
Zhi Hong Sun ◽  
Jun Wang ◽  
Bao Ji Xu
Keyword(s):  
Neural Network ◽  
Particle Swarm Optimization ◽  
Real Estate ◽  
Bp Neural Network ◽  
Learning Algorithm ◽  
Particle Swarm ◽  
Local Optimum ◽  
Swarm Optimization ◽  
Neural Network Learning ◽  
Network Learning

The development of real estate has been affected by various social factors, including economic factors. BP neural network can more accurately forecast the trend of real estate industry according to economic development indicators. But BP neural network is slow convergence in the training process, and easily falls into local optimum. The BP neural network learning algorithm based on the particle swarm optimization (PSO) optimizes the weights and thresholds of the network by PSO algorithm, then to train BP neural network. The experimental results show that the performance of this new algorithm is better than BP neural network, but also has good convergence.

Sign in / Sign up

Export Citation Format

Share Document