飞机零件制造系统中的实例修改算法优化

针对飞机零件设计过程的复杂性和重用性低等问题,选择一些对零件制造有较大影响的参数,以优化设计需求。以往的案例都是将问题和解决方案放在一起当作案例的属性,忽略了它们之间的联系,并且在实例修改部分的研究也不够深入。相似度的计算方法纷繁复杂,权重的分配又受人的主观因素影响,因此这里提出了一种新的通过问题-解决方案关系信息集成的方法,和传统的加权均值不同,该算法通过将相似度矩阵和关系矩阵相乘来计算每种检索实例的加权因子,通过矩阵乘法来构造混合加权矩阵,进行实例修改。将其应用到飞机零件制造系统中,达到智能化设计的目的。以典型飞机零件为例,证明了这种方法的适用性,并且能够有效提高设计结果的可用性和准确性。

基于蜣螂算法优化的投影寻踪生态环境评价方法构建

矿山开采会破坏和占用大量土地资源,对生态环境造成持久的负面影响,因此评价矿区生态环境质量变化迫在眉睫。为了准确监测矿区生态环境质量,以陕煤集团张家峁矿区2000—2023年24期逐年的Landsat影像为基础数据,通过计算绿度(Normalized Difference Vegetation Index,NDVI)、湿度(Humidity Index,WET)、热度(Land Surface Temperature,LST)、干度(Normalized Differential Build-up and bare Soil Index,NDBSI)4项生态指标,并采用基于果蝇优化算法的投影寻踪(Fruit Fly Optimization Algorithm-Projection Pursuit Clustering,FOA–PPC)、基于粒子群优化算法的投影寻踪(Particle Swarm Optimization-Projection Pursuit Clustering,PSO–PPC)、基于灰狼优化算法的投影寻踪(Grey Wolf Optimizer-Projection Pursuit Clustering,GWO–PPC)和基于蜣螂优化算法的投影寻踪(Dung Beetle Optimizer-Projection Pursuit Clustering,DBO–PPC)4种群智能优化算法构建矿区生态环境质量评价方法,并利用平均相关度进行精度验证。结果表明:①DBO–PPC模型的平均相关度和类内聚集度均高于PSO–PPC模型、FOA–PPC模型和GWO–PPC模型,且与EI指数更接近,表明DBO–PPC能更好的评估研究区生态环境;②基于DBO–PPC模型的张家峁矿区2000—2023年生态环境质量均值为0.4,生态环境质量以差和较差等级为主,面积占比约55.94%,空间上呈西部差东部好,常家沟水库的生态环境在研究期内表现为优等级,矿区东北部和中部区域的生态环境较好,植被覆盖较多;③矿区发生沉陷面积占比为81.28%,沉陷最大值达−0.15 m;采区发生沉陷现象面积占比明显高于矿区,占采区面积的89.56%,生态环境质量以−0.0004的速率下降,表明采矿活动使得研究区的地表发生了沉陷,进而影响到生态环境。综上所述DBO–PPC模型在监测评价矿区生态环境质量方面具有较强的合理性,从而为矿区生态环境可持续发展提供技术手段。

基于变分模态分解和改进灰狼算法优化深度置信网络的自动转换开关故障识别

自动转换开关(ATSE)是保证系统连续供电的设备,对其进行健康监测和故障诊断对系统的稳定运行具有重要意义。为了实现对ATSE的非侵入式故障识别,该文提出一种基于电流信号变分模态分解(VMD)的特征提取和改进灰狼算法(IGWO)优化深度置信网络(DBN)相结合的故障诊断方法。该方法首先利用样本熵确定VMD分解次数并对故障电流进行分解;其次对分解后得到的本征模态函数进行小波包能量的提取,并利用IGWO对DBN网络结构参数进行优化;最后通过DBN将电流能量特征与ATSE的故障类型建立起映射关系从而完成最终的故障识别。所提IGWO采用了分段调节与非线性递减的衰减因子相结合的策略,以平衡算法全局搜索和局部搜索能力;并采用莱维飞行更新探狼的移动位置,来避免算法陷入早熟收敛。实验结果表明,该算法不仅能显著提高前期对参数寻优的训练速度,后续泛化实验的故障分类准确率也有98.78%的良好表现。

基于多特征提取与灰狼算法优化SVM的车内异响识别方法

传统的异响识别方法对测试设备要求较高且易受实验员经验差异影响。针对这种情况,提出一种基于多特征提取与灰狼算法优化支持向量机(Support Vector Machine,SVM)的车内异响识别方法。该方法以采集实验获得的6种车内常见异响作为研究对象,提取短时能量、小波变换优化的梅尔频率倒谱系数(DWT-MFCC)及其一阶差分组成混合特征参数,将灰狼优化算法应用于SVM的参数寻优中,建立异响识别模型并进行识别分类,同时探究选用不同维度的特征或不同算法对识别效果的影响。结果表明,所提取的25维混合特征能有效传达异响信息,该方法在收敛速度与识别准确率方面优势明显,能更好地实现车内异响的识别。

基于变步长自适应降噪核脉冲信号分析的算法优化研究

针对提高核脉冲信号信噪比这一需求,本文以小波算法为基础,创建了新的阈值函数处理方法,可以满足核脉冲信号降噪基本需求;并进一步提出了一种新的优化变步长自适应非平稳信号降噪算法EVSL,实现核脉冲信号分析。对模拟核信号与原始测量信号同步处理后,与现有算法进行指标对比,结果表明EVSL算法能兼顾收敛速度与稳态精度,有效提高信噪比、保留实际有用信息,是一种有效的提升核脉冲信号质量的方法。

基于A^(*)算法优化AGV/机器人路径规划的研究进展

智能仓储、智能工厂等是未来的重要发展方向,自动导引运输车(AGV)/移动机器人在其中发挥着重要作用,而路径规划是其核心技术之一,被广泛研究。A^(*)算法在全局路径规划中具有独特的优势而备受关注,针对其存在的冗余点多、路径不平滑等问题,研究人员对A^(*)算法进行了大量的改进及优化研究。对国内近年来的研究主要从优化A^(*)算法的评价函数、A^(*)算法与其他算法融合两个方面进行梳理、归纳,基于当前的研究进展和趋势,为后期的研究方向提出一些建议。

基于SA-PSO算法优化CNN的电能质量扰动分类模型

针对传统电能质量扰动分类模型中扰动特征复杂、识别步骤繁琐的问题,提出了一种通过模拟退火(SA)算法与粒子群优化(PSO)算法相结合来优化卷积神经网络(CNN)的电能质量扰动分类模型。将CNN卷积层中的二维卷积核替换成一维卷积核;采用SA算法对PSO算法进行改进,规避PSO算法陷入局部最优的困境;采用改进后的PSO算法对CNN进行参数寻优;利用优化CNN提取和筛选合适的特征,根据这些特征利用分类器得到最终分类结果。通过算例分析得出,使用基于SA-PSO算法优化的CNN的电能质量扰动分类模型能精确地识别出电能质量扰动信号。

深度学习在网络安全预测与分析中的算法优化与创新

本文介绍了数据增强与预处理技术、深度学习模型的结构优化以及深度学习模型的架构创新在网络安全中的关键作用。深度学习模型的结构优化包括调整网络深度、宽度和层次结构,这些技术相互结合,能够有效提高深度学习模型在网络安全领域的性能和效果,为构建强大的网络安全防御系统提供了新的可能性。

基于机器学习的Web网络爬虫算法优化研究

随着互联网的不断发展,网络爬虫在信息获取和数据挖掘等领域中的应用越来越广泛。同时在互联网相关应用中,机器学习技术成为一种非常重要的手段,能够完成更加高效和准确的网络爬取。然而,现有的网络爬虫算法还存在着很多问题,比如效率低下、容易被封禁等。因此,本文对现有的网络爬虫算法进行分析和总结,找出其中存在的问题和不足之处,提出一种基于机器学习的网络爬虫算法优化方法,使其更加智能和自适应,以期更好地满足实际应用的需求。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

基于改进鲸鱼算法优化SVM的软件缺陷检测方法

为解决传统支持向量机在软件缺陷检测中存在分类精度低、参数选择困难等问题,文章提出一种基于改进鲸鱼算法优化SVM的软件缺陷检测方法LFWOA-SVM。首先针对鲸鱼算法在求解过程中存在收敛速度慢、寻优效率低和局部最优解问题,基于Levy飞行策略优化鲸鱼觅食阶段,最大限度地实现搜索代理多样化,并利用混合变异扰动算子提高WOA的全局寻优能力;然后采用改进的鲸鱼算法LFWOA对SVM的惩罚因子和核函数参数进行优化,在获得最优参数的同时可有效检测软件缺陷。仿真实验表明,在6个基准测试函数中,LFWOA展现出更高的寻优速度和全局搜索能力;在8个公开软件缺陷数据集上进行测试显示,LFWOA-SVM方法能够有效提高分类性能和预测精度。

改进麻雀算法优化SVM的乳腺癌诊断

为提高乳腺癌诊断的准确性,文章提出了一种多策略融合的改进麻雀搜索算法(MISSA),用于优化支持向量机(SVM)的参数并构建分类模型。首先,采用spm映射初始化麻雀种群,以增加种群的多样性。然后,在发现者位置更新中融合正余弦算法,同时在跟随者位置更新中加入Lévy飞行策略,采用步长因子动态调整的方式提高寻优能力并降低局部最优的概率。最后,利用MISSA优化SVM模型的C和g参数。经优化后,该方法在乳腺癌诊断中达到了98.83%的精确率。

基于变分模态分解与鲸鱼算法优化回声状态网络的风速预测模型

风速受多种因素影响常伴随着随机性和非平稳性,给风电接入电网造成了相当大的困难,准确的风速预测对风力发电有着极大的研究意义。将变分模态分解算法与鲸鱼算法优化回声状态网络模型相结合,提出了一种风速预测模型。首先通过变分模态分解算法将风速序列分解成多个分量以减少风速内部信号间的耦合性,降低建模难度。然后对这些分量分别建立对应的回声状态网络预测模型。针对回声状态网络模型性能受储备池参数影响较大的问题,采用鲸鱼优化算法对储备池参数进行优化。风速的最终预测值由分解后各分量预测值相加得到。最后,将实际采集的短期风速数据作为研究对象,通过与其他4种预测模型的对比分析表明提出的风速预测模型具有更高的预测精度,能够更好地对风速的变化趋势进行预测。

基于改进鲸鱼算法优化GRU的PEMFC老化预测

为提高质子交换膜燃料电池(protonexchange membranefuelcells,PEMFC)老化预测的可控性和预测精度,提出一种基于改进的鲸鱼优化算法(improvedwhale optimizationalgorithm, IWOA)优化门控循环单元(gated recurrent unit,GRU)神经网络的PEMFC电压预测方法。采用IWOA获得GRU的最优超参数组,再利用GRU准确预测PEMFC电压。采用静态、准动态和动态工况下3组老化实验数据集,将提出的方法与反向传播神经网络、极限学习机、循环神经网络、长短期记忆神经网络、GRU和鲸鱼算法优化门控循环单元这6种方法相比较,所提出方法具有最高的老化预测和剩余使用寿命(remainingusefullife,RUL)估计精度。在静态、准动态和动态工况下,训练集占比为50%时,相比于GRU,所提出方法的预测结果的均方根误差分别降低56.99%、35.12%和9.95%。因此,该方法能够实现高精度PEMFC老化趋势和RUL预测。

基于斑马算法优化支持向量回归机模型预测页岩地层压力

针对陇东地区三叠系延长组7段(长7段)页岩孔隙结构复杂、非均质性强、地层压力预测精度较低等问题,提出了一种基于斑马算法优化支持向量回归机(ZOA-SVR)模型预测地层压力的方法,并在实际钻井中进行了应用,将预测结果与基于机器算法的模型和常规地层压力预测方法结果进行了对比。研究结果表明:①ZOA-SVR模型以实测地层压力数据为目标变量,优选与陇东地区长7段页岩地层压力数据关联度达到0.70以上的深度、声波时差、密度、补偿中子、自然伽马、深侧向电阻率、泥质含量等7个参数作为输入特征参数,设置训练样本数为40,交叉验证折数为5,初始化斑马种群数量为10,最大迭代次数为70,对惩罚因子和核参数进行优化并建模,参数优化后拟合优度指标R2达到0.942,模型预测的地层压力数据在训练集和测试集上的绝对误差均低于1 MPa,预测测试集地层压力数据与实测压力数据的平均相对误差为2.42%。②ZOA-SVR模型在研究区长7段地层压力预测中优势明显,比基于粒子群优化算法、灰狼算法和蚁群算法的模型具有更好的参数调节及优化能力,R2分别提高了0.209,0.327,0.142;比等效深度法、Eaton法、有效应力法预测的地层压力精度更高,相对误差分别降低了32.53%,15.31%,5.91%。③ZOA-SVR模型在实际钻井中的应用结果显示,研究区长7段地层压力在垂向上分布较稳定,泥页岩段的地层压力高于砂岩段,地层压力系数主要为0.80~0.90,整体上属于异常低压环境,与实际地层情况相符。

基于改进粒子群算法优化PID控制的主动悬架性能研究

针对二自由度主动悬架比例-积分-微分(PID)控制器参数整定问题,引入粒子群算法,借助粒子群算法的全局搜索能力解决PID控制器参数整定问题,考虑到传统粒子群算法收敛速度较慢,设计了一种改进粒子群算法,根据悬架性能评价指标建立目标函数,分别模拟了随机路面激励输入和减速带式梯形冲击路面激励输入,并验证了基于改进粒子群算法优化的PID控制器的有效性。仿真结果表明:改进粒子群算法后目标函数的收敛速度明显提高;基于改进粒子群算法优化PID控制的主动悬架在不同激励输入条件下均具有较好的行驶平顺性;验证了改进粒子群算法的有效性并解决了PID控制器参数整定问题。

基于改进NGO算法优化SVM的变压器故障诊断研究

为解决通过油中溶解气体诊断变压器故障精确度不高的问题,提出了一种改进北方苍鹰优化(INGO)算法优化支持向量机(SVM)的故障分类模型。首先,采用主成分分析(PCA)法对油中溶解气体体积数据降维,去除冗余信息;然后,通过引入Singer混沌映射、改进的野马算法搜索机制、Lévy飞行策略多种方法改进北方苍鹰优化算法,再利用INGO算法对SVM核心参数进行优化;最后,将处理后的数据输入到INGO-SVM故障诊断模型中。结果表明,其诊断平均准确率为93.5%,与NGO、GWO、AO优化SVM相比,诊断平均准确率分别提升了3.34%、7.04%、10.12%。同时,该模型也优于极限学习机(ELM)、概率神经网络(PNN)、随机森林(RF)典型分类模型,验证了所建立的变压器故障诊断模型具有更高的精度和泛化能力。

改进麻雀搜索算法优化BP神经网络的短时交通流预测

针对BP神经网络预测短时交通流量过于依赖初始参数的问题,提出一种基于改进麻雀搜索算法(ISSA)来优化BP神经网络的短时交通流预测模型(ISSA-BP)。针对标准麻雀搜索算法(SSA)易收敛于原点,容易陷入局部最优等问题,对麻雀群体中的发现者和部分加入者的位置更新公式分别进行改进,改进后的发现者将基于搜索维度的大小和当前最优值的位置来进行全局搜索,部分加入者将根据其与最优位置之间的距离来进行全局搜索。通过实验对BP,PSO-BP,SSA-BP,ISSA-BP 4种短时交通流预测模型的预测效果进行对比分析,结果显示,ISSA-BP短时交通流预测模型的误差最小,ISSA-BP模型相较BP模型在MAE评价指标上的预测精度提升了48.85%,有着更好的预测精度。

基于深度学习的数据挖掘算法优化

本文综合研究了基于深度学习的数据挖掘技术及其优化策略,旨在提高深度学习模型在处理复杂数据挖掘任务时的性能和泛化能力。首先,对深度学习基础技术做概述。其次,详细分析了数据挖掘过程中的关键技术,如数据预处理和常见的数据挖掘算法。最后,针对优化策略深入分析了自适应学习率优化、超参数调优策略设计以及针对过拟合与欠拟合的处理方法,强调了在实际应用中根据模型和数据特性定制优化方案的重要性。本文研究成果为深入理解和解决数据挖掘问题提供了实用的方法和技术。

基于卷积神经网络的噪声抑制算法优化

针对语音信号中的噪声抑制问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的噪声抑制优化算法。首先,探讨基于CNN的噪声抑制框架,并研究基于L1正则化的优化方法。利用Noisy Speech Database进行实验测试,比较传统CNN和文章提出的方法在不同噪声环境下的去噪效果。实验结果表明,文章提出方法的信噪比(Signal-to-Noise Ratio,SNR)和均方根误差(Root Mean Square Error,RMSE)均优于传统CNN。