基于PSO-BP神经网络的分拣机器人视觉反馈跟踪

针对分拣机器人视觉反馈跟踪精度差、耗时较长的问题,研究基于粒子群算法-反向传播(particle swarm optimization-back propagation,PSO-BP)神经网络的分拣机器人视觉反馈跟踪方法,以提升视觉反馈跟踪效果。依据分拣机器人的视觉反馈信息,建立分拣机器人运动学模型,并求解分拣机器人机械臂输出位置和输入位置的误差函数;利用PSO算法优化BP神经网络的权值与偏置;在权值与偏置优化后的BP神经网络内,输入误差函数,预测分拣机器人视觉反馈跟踪控制量;利用预测视觉反馈跟踪控制量,在线调整增量式比例-积分-微分(proportional-integral-derivative,PID)的参数,输出高精度的分拣机器人视觉反馈跟踪控制量,实现分拣机器人视觉反馈跟踪。实验结果表明,该方法可有效视觉反馈跟踪分拣机器人机械臂的关节角;存在干扰情况下,在运行时间为10 s左右时,阶跃响应趋于稳定;有干扰情况下,视觉反馈跟踪的平均误差为0.09 cm,耗时平均值为0.10 ms;无干扰情况下,平均误差为0.03 cm,耗时平均值为0.04 ms。

基于泥水平衡盾构掘进参数的PSO-BP神经网络掘进地层识别模型研究

为解决泥水平衡盾构机在掘进时无法准确地实时识别掘进地层的问题,以珠三角水资源配置工程为例,研究泥水平衡盾构机的盾构推力、掘进速度、刀盘转速、刀盘扭矩在不同地层下的变化规律,提出基于掘进参数的PSO-BP神经网络掘进地层识别方法,建立盾构推力、掘进速度、刀盘转速、刀盘扭矩4种掘进参数为输入集,地层编码为输出集的地层识别模型。工程数据的验证结果表明,该模型在珠三角水资源配置工程数据集上的掘进地层的识别准确率达99.07%,PSO-BP神经网络算法的识别准确率明显高于BP、RF、RBF、CNN等机械学习算法。

基于PSO-BP神经网络的玛纳斯河短期径流预测

为提高机器学习模型在径流预测中的精度,构建基于粒子群算法(PSO)优化的反向传播(BP)神经网络模型,对肯斯瓦特水文站进行径流预测。结果表明,模型预测精度随预见期延长而下降,当预见期为1d时,各模型预测径流过程曲线与实际径流过程曲线基本吻合。TOPSIS综合评价表明,PSO-BP神经网络的预测性能优于LSTM、CNN和BP神经网络模型,MAE和RMSE较传统BP神经网络模型降低2.18%和0.33%,表明改进后的模型在径流预测中具有更高的适用性,具有一定的应用价值。

基于PSO-BP神经网络的船舶生产设计软件成熟度评估方法

[目的]针对现有船舶生产设计软件成熟度评估方法尚不明确、评估存在模糊性等问题,提出一种船舶生产设计软件成熟度评估模型。[方法]该模型根据船舶生产设计过程中船体、管系、舾装和涂装4个阶段,构建成熟度评估体系并确定各级成熟因子。结合贝叶斯网络与模糊最优最劣法,提出一种完全客观的赋权方法以提高数据集的准确性。引入粒子群优化(PSO)算法改进反向传播(BP)神经网络,通过PSO对BP神经网络的权值和阈值进行最优化,避免局部最优问题,并对软件的成熟度进行全面评估。[结果]实例分析表明,PSO-BP比BP评价的均方根误差减少了56.86%。[结论]该模型的精度和速度较好,能够满足实际评估需求,为船舶工业软件成熟度评估提供一种新思路。

基于PSO-BP神经网络的5G基站位置确定方法

5G基站位置的确定对室内定位服务和网络安全有着重要意义。首先对5G信道状态信息CSI进行Hample滤波和降维,然后构建基于粒子群优化PSO的误差反向传播BP神经网络信号损耗模型,建立5G CSI和距离的映射关系,最后基于模型预测的距离实现对5G AP的探测。实验采用室外探测室外和室内5G AP的实测数据,结果表明,与BP神经网络相比,基于PSO-BP神经网络的距离预测值更加精确,室外探测室外和室内5G AP的精度分别达到了0.32 m和0.96 m。随着测量方向数的提升,5G AP的定位精度不断提升。当方向数达到5个时,精度提升最为显著。

基于IPSO-BP神经网络算法的微高压氧舱氧气浓度控制研究

针对目前微高压氧舱内氧气浓度控制效果不佳、自动化程度不高等问题,本文在分析了微高压氧舱供氧系统工作原理的基础上,对舱内氧气浓度控制过程进行建模,并使用IPSO-BP神经网络PID控制算法对氧气浓度进行优化控制。仿真结果表明,与BP神经网络PID算法、PSO-BP神经网络PID算法相比,IPSO-BP神经网络PID算法有效结合了IPSO全局搜索最优和BP神经网络非线性映射等优点,控制效果快速、准确,且具有较好的抗干扰能力,具有一定的实用价值。

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R^(2)和平均绝对相对误差e_(AARE)评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R^(2)和相对平均绝对误差e_(AARE)分别为0.909和2.06%。

基于PSO-BP神经网络的新能源汽车销量预测模型

为有效避免新能源汽车销量产销不平衡问题,通过粒子群优化算法(particle swarm optimization,PSO)优化反向传播(back propagation,BP)网络的参数迭代过程,弥补优化原本BP神经网络易陷入局部最优和收敛速度较慢的缺陷,构建了基于PSO-BP神经网络的新能源汽车销量预测模型,以比亚迪为例进行指数平滑法预测、BP和PSO-BP神经网络预测。结果表明BP神经网络模型相比于指数平滑模型在均方误差(mean square error,MSE)、平均绝对值误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)指标上预测性能优势显著,经过粒子群算法优化后的BP神经网络模型的MSE下降近7×10^(7),MAE下降3346,MAPE下降1.71%。可见基于PSO-BP神经网络的新能源汽车销量预测模型优于指数平滑模型和BP神经网络模型,粒子群优化的BP神经网络能够使模型跳出局部最优,加快收敛速度,预测结果的误差率更低,精度更高,且对企业的计划和生产具有指导作用。

基于PSO-BP神经网络的地下空间结构深基坑地表沉降预测研究

文中以深圳市黄木岗大型地下空间综合交通枢纽为研究案例,开展了深基坑地表沉降预测研究。首先,收集140 d沉降数据,分析规律,评判安全状态;然后,利用140期监测数据分别构建传统BP和PSO-BP神经网络模型,结合未来10 d的基坑沉降量验证了模型的效果。结果表明,BP和PSO-BP神经网络预测模型均可满足施工要求,而PSO-BP神经网络模型的预测精度更高,可用于类似工程的地表沉降预测。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于PSO-BP神经网络的磨机传动系统模型修正

针对磨机传动系统结构的复杂性、部件间约束条件的不确定性以及非线性等因素,提出了一种基于PSO-BP神经网络的有限元模型修正方法。通过改进BP神经网络逼近设计参数和特征量间的非线性映射关系,结合实际结构响应,利用神经网络的泛化特性,得到了模型设计参数值。修正后频率误差从最高18%降到4%左右,修正系数误差范围均在0.5%以内,明显提高了有限元模型精度;同时,又不需要大量迭代求解步骤,避开了传统反问题模型修正法的复杂非线性优化过程,提升了效率,验证了PSO-BP神经网络法应用于大型磨机传动系统上的可行性,为后续传动系统整体分析奠定了基础。

基于改进PSO-BP神经网络的热采管柱应力预测

稠油热采过程中,油套管柱由于在温度、地层等多重载荷作用下发生塑性形变进而导致断裂或失效。文中根据热采管柱高温服役工况,引入异步变化学习因子和自适应权重建立输入参数为注汽温度、井深、非均匀系数和水泥环温度,输出参数为套管应力的改进PSO-BP模型。文中以N80热采套管为例,选取260、280、300、320、340℃5种温度工况下有限元模拟结果作为训练数据,对比BP模型、GA-BP模型、MEA-BP模型、PSO-BP模型和改进PSO-BP模型在300℃工况温度下井深200、300、400、500、600、700 m处套管应力的预测值和试验值、有限元计算值。结果表明:改进PSO-BP模型预测的应力与试验值最接近,最大和最小误差分别为2.69%和0.06%。最后从训练数据、预测误差、计算时间等方面对建立的改进PSO-BP模型进行了评价,为热采管柱服役过程中的强度安全分析提供智能高效的模型。

基于AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

改进PSO-BP神经网络对储层参数的动态预测研究

为提高BP神经网络的收敛速度和泛化能力,防止其陷入局部最优值,在前人工作基础上对传统粒子群算法进行了改进,具体包括:设定最大限制速度、改变惯性权重因子和改进适应度函数,并把改进粒子群算法应用于BP神经网络权值和阈值的优化。之后利用改进粒子群算法优化的BP神经网络实现对储层参数的动态预测,具体步骤为:确定神经网络的输入、输出神经元,定量化时间参数T,利用训练样本构建神经网络模型并进行检验。最后通过平均训练误差对仿真过程进行分析,结果表明改进PSO-BP算法的收敛性与泛化能力均优于BP算法和PSO-BP算法。

基于改进PSO-BP神经网络的冰蓄冷空调冷负荷动态预测模型

当前多数冰蓄冷空调冷负荷动态预测方法中,由于模型输入变量与输出结果相关性差、信息冗余度高等原因,导致多数预测模型在预测精度和收敛速度方面都未达到理想的预测效果,因此,提出一种改进的PSO-BP神经网络算法预测大型公共建筑的冷负荷。对于输入变量与输出结果采用灰色关联度分析,消除样本输入变量对数的耦合性,确定影响冰蓄冷空调系统冷负荷的关键性因素,将其作为输入变量,预测冰蓄冷空调系统动态冷负荷。结果表明:T时刻室外空气温度、T-1h时刻室外空气温度、T时刻室外空气湿度、T时刻太阳辐射强度、T-1h时刻太阳辐射强度、T-1h时刻空调冷负荷是影响T时刻冰蓄冷空调系统冷负荷的关键因素,并以此作为预测模型的输入变量。相对于传统PSO-BP神经网络全输入变量预测算法,该模型预测结果精确度更高、收敛速度更快。

基于PSO-BP神经网络的临时支架支撑力自适应控制

为了使临时支架的支撑力更好地与矿压相适应,提高支架的支护能力,以双联自移式临时支架为研究对象,提出了基于粒子群优化(PSO)-BP神经网络的临时支架支撑力自适应控制方法。利用PSO算法的全局搜索能力及快速收敛特性对BP神经网络的初始权值进行优化,提高BP神经网络的收敛速度;再通过优化后的BP神经网络实现PID参数在线自调整,构建PSO-BP神经网络优化PID控制器,使临时支架的支撑力更快速、准确地达到预定值,实现临时支架支撑力自适应控制,避免因支护力和顶板压力不匹配而对顶板造成破坏。用单位阶跃信号模拟临时支护支架的期望初撑力进行实验验证,结果表明,与BP神经网络优化PID控制器及传统PID控制器相比,PSO-BP神经网络优化PID控制器可以更快、更准确地达到预期的初撑力,调整时间仅为0.5 s且基本不存在超调。根据实际地质条件仿真模拟开挖支护过程中支架受到的顶板压力,研究3种控制器的支撑力自适应控制效果,结果表明,在PSO-BP神经网络优化PID控制器的控制下,系统误差仅为0.02 MPa,误差最小,控制效果最好。

基于PSO-BP神经网络的光纤压力传感器温度补偿研究

针对光纤压力传感器受温度漂移影响较大的问题,提出了一种基于粒子群优化BP神经网络算法(PSO-BP)的温度补偿修正模型。通过对光纤压力传感器做标定实验,并且利用LM35温度传感器监测其工作温度,建立PSO-BP神经网络模型。该模型用粒子群智能算法对传统的BP神经网络的权、阈值进行全局的优化,改善了BP网络收敛的速度较慢的问题,克服了容易陷入局部极值的缺陷。与传统BP神经网络补偿结果进行比较,PSO-BP得到的预测误差相对较小且平稳些。研究结果表明,补偿后灵敏度温度系数改善了1个数量级,相对误差提高了2个数量级,从而实现温度补偿的目的。

基于PSO-BP神经网络的关节臂式坐标测量机长度误差补偿

针对关节臂式坐标测量机(AACMM)长度误差补偿问题,分析了误差来源,通过实验确定了影响其测量长度的误差参数。引入BP神经网络对长度误差补偿模型进行了建模,并通过粒子群化算法对BP神经网络的权值和阈值进行全局寻优,克服了BP神经网络收敛速度慢和易陷入局部极值的缺陷。在不同输入参数的条件下测量标准尺,获得了误差补偿模型的训练样本。进行了长度误差补偿验证,补偿后误差均值减小了0.014 mm,使AACMM的测量精度提高了31.8%。

基于应变补偿和PSO-BP神经网络的Ti-2.7Cu合金本构关系

采用Gleeble-3500型热模拟试验机对Ti-2.7Cu合金进行等温恒应变速率压缩实验,研究其在变形温度740～890℃,应变速率0.001～10s^(-1)范围内的热变形行为;并在Arrhenius型双曲正弦函数方程基础上引入应变量构建了基于应变补偿的本构模型,同时构建了基于PSO-BP神经网络的本构关系模型。结果表明:合金的流变应力对变形温度和应变速率较为敏感,变形温度升高和应变速率减小都会使流变应力降低;在高温和低应变速率条件下,流变曲线大多呈现稳态流动特征。经过误差计算得出,基于应变补偿的本构模型,预测值偏差在15%以内的数据点占85.28%;采用PSO-BP神经网络建立的本构模型,预测值偏差在15%以内的数据点占96.67%,PSO-BP神经网络模型具有更高的精度,能准确预测Ti-2.7Cu合金的高温流变应力。

基于PSO-BP神经网络的气溶胶质量浓度测量系统湿度补偿

气溶胶质量浓度是衡量大气质量的一项关键性指标。在基于单粒子光散射的气溶胶质量浓度测量时,环境湿度变化对其影响较大。尤其在湿度较高时,颗粒物的外貌特征和折射率都会发生相应变化,采用低湿度条件下系统的标定参数来反演气溶胶质量浓度会产生较大误差。考虑以上原因,提出建立基于粒子群优化的BP神经网络补偿模型对不同湿度条件下的测量结果进行数据融合修正。实验结果表明,经过PSO-BP神经网络湿度补偿后,相对湿度较高时引起的测量误差约从原来的-10%^-45%减小为-5%^-30%,整体平均相对误差减小了10%,说明该方法削弱了相对湿度对气溶胶质量浓度测量系统的影响,有效提高了系统的测量精度。