基于AABC-BP算法的红外气体传感器温度补偿

标准人工蜂群算法在运算过程中容易随着迭代次数增加丢失优质解,从而降低解的稳定性。已有研究表明引入自适应人工蜂群优化算法可以提高算法稳定性。针对红外气体传感器在工作时环境温度对测量精度影响较大的问题,提出一种基于自适应人工蜂群-BP人工神经网络(AABC-BP)温度补偿方法。利用自适应人工蜂群算法对BP神经网络的阈值和权值进行优化,构造出红外气体传感器温度补偿模型,并将其应用于温度补偿实验研究中。实验结果表明:(AABC-BP)算法可有效提高BP神经网络的收敛速度和计算精度;基于(AABC-BP)混合算法的红外气体传感器温度补偿模型,可以将其温度补偿精度误差控制在5%以内。

改进人工蜂群算法优化的LSSVM在混合气体定量分析中的应用

针对在易燃易爆混合气体定量分析中因交叉敏感易产生测量误差以及最小二乘支持向量机(least squares support vector machine,LSSVM)参数难以确定的问题,提出一种改进人工蜂群(improved artificial bee colony,IABC)算法优化的最小二乘支持向量机。首先,在标准人工蜂群(artificial bee colony,ABC)算法中引入自适应递减因子以更新步长,并结合轮盘赌和反向轮盘赌改进待工蜂跟随概率公式,从而提高收敛精度;然后,利用改进后的人工蜂群算法对最小二乘支持向量机的惩罚参数C和核参数σ~2进行优化;最后,利用优化后的参数重建最小二乘支持向量机定量分析模型,并与利用常用的混合气体定量分析方法--粒子群优化(particle swarm optimization,PSO)算法优化的最小二乘支持向量机定量分析模型进行对比。实验结果表明,在交叉敏感状态下,采用改进人工蜂群算法优化的最小二乘支持向量机时的建模总时间和各组分气体浓度测量的平均相对误差均低于采用粒子群算法优化的,有效提高了混合气体的浓度测量精度。研究表明,改进人工蜂群算法优化的最小二乘支持向量机可为混合气体定量分析提供理论支撑,具有一定的工程应用价值。