基于PSO-SVM的Φ-OTDR系统模式识别研究

针对相位敏感光时域反射仪(phase sensitive optical time domain reflectometer,Φ-OTDR)系统中误报率高的问题,提出一种多域特征提取与粒子群算法优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)相结合的模式识别算法。首先,对原始信号进行差分处理后提取时域特征,并利用小波包分解方法,通过验证不同分解层数下的事件分类准确率,设定最优分解层数为6层,提取差分信号的能量特征。然后以SVM分类器为基础,利用PSO算法优化SVM分类器参数,提高光纤振动信号识别准确率。最后利用Φ-OTDR事件数据集进行验证,实验结果表明,该模式识别算法达到了95.6%的振动事件分类准确率。

基于PSO的电气设备绝缘故障诊断系统设计

电气设备一旦发生绝缘故障,其运行状态的平稳性会急剧下降。为了解决该类问题,基于PSO设计了一种电气设备绝缘故障诊断系统。系统硬件由传感器、核心处理器和通讯器组成,传感器模块内部包含定性传感器与定量传感器,并将WQA427J524NC核心处理器作为中央处理器。分解高中低频三个波段的绝缘故障信息,确定特征矢量后,建立故障信息提取程序。利用PSO优化实现信息更新,通过提取数据内部有效信息建立设备故障诊断程序。实验结果表明,该系统对单一故障检测准确率高达99%,对复合故障的检测准确率达到95%,具有较好的诊断能力。

基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

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-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

局部遮荫下基于改进PSO算法的光伏发电MPPT控制

为解决光伏阵列在局部遮荫工况下最大功率点跟踪问题,在分析光伏阵列输出特性的基础上,提出惯性权重自适应调整、飞行速度动态钳位、迭代周期动态更新的改进型粒子群优化算法对光伏阵列输出调节电路实施控制。MATLAB仿真结果表明:与常规扰动观察法、基本粒子群优化算法相比,该算法在静态与动态的局部遮荫工况下均能获得较高的最大功率点跟踪精度,且缩短了近50%的跟踪时间,提高了光伏阵列的发电效率。

基于改进PSO的无人机精细化自主巡检航迹布设优化

提出基于改进PSO的无人机精细化自主巡检航迹布设优化。结合波束法测量地面像控点坐标,通过结构矩阵描述平面误差细化值,完成像控点的布设。采用改进PSO算法计算航迹子路径的变更代价,得到新的路径点,由此实现无人机精细化自主巡检航迹布设优化。实验结果表明,所提方法的无人机精细化自主巡检航迹布设时间仅为39.4 min,说明所提方法能够有效提高无人机精细化自主巡检航迹布设效率,精细化自主巡检航迹布设优化效果更好。

基于PSO的联合任务卸载与缓存算法研究

随着各类计算敏感(Computation-Sensitive, CS)型和高数据率(High-Rate, HR)服务的不断涌现,诸如移动游戏、认知辅助和虚拟/增强现实服务等,移动终端(Mobile Terminal, MT)对存储和计算资源的需求越来越大。为满足移动边缘计算(Mobile Edge Computing, MEC)网络中MT对CS和HR服务的通信需求,联合任务卸载、缓存与资源分配算法的研究被广为关注。现有研究鲜有涉及多蜂窝无线回程网络,不利于现实应用与低网络成本部署。针对支持CS和HR服务的多蜂窝无线回程网络,以MT所需资源占其服务基站的所有MT所需资源的比例分配频谱、计算与缓存资源。在该资源分配方式下,提出了最小化MT平均时延的问题,涉及MT关联指示的优化,其中MT关联兼顾基站的选择、计算和缓存模式的选择。为处理该问题,开发了基于粒子群优化(Particle Swarm Optimization, PSO)的MT关联与资源分配(PSO-based MT Association and Resource Allocation, PMARA)算法。仿真结果表明,在上述资源分配方式下,同其他现有算法相比,所设计的算法通常可以获得更低的MT时延。

融合PSO-模糊Petri网的室内燃气泄漏风险研究

近年来室内燃气事故多发,而燃气用户风险意识淡薄、户内安全检查难度大。针对现行室内燃气安全管理技术多为静态主观评估的局限性,构建了基于模糊Petri网(Fuzzy Petri Net,FPN)的风险计算规则,提出了结合粒子群优化算法(Particles Swarm Optimization,PSO)和FPN的室内燃气泄漏动态风险评估模型。首先,应用Petri网的直观图像描述和异步并发处理能力建立室内燃气泄漏事故风险演化的拓扑结构模型,借助FPN的模糊推理能力处理风险传播的不确定性;然后,根据燃气运维数据,融合PSO动态更新初始参数,提高风险评估的准确性。结果表明,基于PSO-FPN的室内风险评估方法可弱化燃气公司安检人员分析的主观不确定性,更为准确地量化风险因子演化过程,实现室内燃气泄漏风险的动态分析,有效支持户内燃气泄漏风险管控。

基于PSO‑BPNN模型的氯氧镁水泥混凝土耐水性预测

为快速准确地获得具有优异耐水性氯氧镁水泥混凝土(MOCC)的配合比,设计了拓扑结构为4‑10‑2的粒子群优化(PSO)算法-反向传播(BP)神经网络(PSO‑BPNN)模型.该模型的输入层参数为n(MgO)/n(MgCl_(2))、粉煤灰掺量、磷酸掺量和磷肥掺量,输出层参数为MOCC的抗压强度和软化系数;模型数据集为144组,其中训练集数据为100组,验证集数据为22组,测试集数据为22组.结果表明:PSO‑BPNN模型在MOCC抗压强度预测中的评价参数——决定系数R^(2)=0.99、平均绝对误差S_(MAE)=0.52、平均绝对误差百分比S_(MAPE)=1.11、均方根误差S_(RMSE)=0.73;其在软化系数预测中的评价参数——R^(2)=0.99、S_(MAE)=0.44、S_(MAPE)=1.29、S_(RMSE)=0.62;与BP神经网络(BPNN)模型相比,PSO‑BPNN模型具有更强的双参数预测能力,可用于MOCC配合比的正向设计和反向指导.

基于GA-PSO算法的冻土本构模型参数识别

遗传算法(GA)与粒子群算法(PSO)分别具有缺乏目标导向性和易陷入局部最优的缺点,但同时分别具有全局搜索能力强与能有效传递优势信息的优点。本文以GA计算步结合精英保留策略作为PSO计算步的优势信息,避免PSO算法陷入局部最优,以PSO计算步结合非精英优化策略作为GA计算步的导向信息,克服GA算法缺乏目标导向的问题,建立了GA-PSO新算法。其具体过程为,通过采用GA计算步对解空间进行全局搜索并对精英个体进行保留,进一步,将适应度较差的个体利用PSO计算步进行优化。基于多峰函数的验证结果表明,GA-PSO算法在解空间中具有更强的全局搜索能力,同时具有更快的收敛速度。将GA-PSO算法应用到冻土非正交弹塑性本构模型的参数识别中,通过模型的参数识别以及模型预测结果对比与验证,结果表明GA-PSO算法能够有效识别冻土非正交弹塑性本构模型的参数,提升了模型的预测效果。

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-ELM的地震死亡人员评估方法研究

地震灾害人员伤亡快速评估对于地震应急响应至关重要。区域地理环境、人口密度和建筑结构等多种因素对地震人员伤亡具有重要影响,文章针对中国内地按照分区开展地震死亡人员评估方法研究。为充分考虑地震对不同地区造成的差异性影响,根据人口密度、地理环境、建筑结构等情况,将中国大陆划分为西北、西南和东部三个区域,并按地震最大烈度对样本进行分类;然后采用随机森林方法和自助采样法,根据每个特征的重要性排序选取震级、震区面积和人口密度三参数,建立粒子群优化极限学习机(PSO-ELM)地震人员死亡评估模型。研究结果表明,模型在预测性能方面表现良好,在不同地区和烈度下具有较好的适用性和泛化性,能够为地震应急响应和地震灾害风险评估提供重要技术支撑。

基于PSO-SVM的鹤盛溪流域山洪风险评价

为探究温州市鹤盛溪流域山洪风险空间分布,综合考虑山洪致灾因子、孕灾环境和承灾体3方面的山洪影响因子,建立基于粒子群优化-支持向量机(PSO-SVM)混合算法的山洪风险评价模型。选取准确度、灵敏度、特异性、F-score值、Kappa系数和受试者工作特征曲线等6个指标,采用学习矢量量化(LVQ)算法量化山洪影响因子对山洪灾害发生的影响程度,并将PSO-SVM混合算法模型与单一算法模型进行对比。结果表明:混合算法具有一定的迁移能力,能够更加准确地反映山洪风险的空间分布特征;验证集受试者工作特征曲线指标、Kappa系数和准确度分别为0.934、0.833、0.912,PSO-SVM混合算法模型能显著提高山洪风险评价精度。

基于RF-PSO的塔吊事故可能发生阶段预测与分析

塔吊在高层建筑的施工现场较为常见,为了探索塔吊事故的影响因素,对塔吊事故可能发生阶段进行预测,建立了塔吊事故的人为因素分析分类系统(HFACS)模型框架,明确了塔吊事故的影响因素;利用卡方检验对事故致因进行特征选择及量化分析,提出了一种基于粒子群优化算法优化随机森林预测模型(RF-PSO)。结果表明:RF-PSO模型的预测是可靠的,训练后的RF-PSO模型可以预测塔吊事故可能发生的阶段,影响因素塔吊安装不符合设计要求、缺乏沟通和个人防护设备缺失发生的概率越大,塔吊事故分别在安拆阶段、吊装阶段和攀爬阶段发生事故的可能性越大。研究结果可为塔吊施工现场管理提供理论依据。

基于APSO-LSSVM的航空发动机轴承故障诊断及寿命预测

航空发动机轴承在高速、高温、高载荷等极端工况下易发生机械故障,为了提前预警,提出了一种基于自适应粒子群优化(Adaptive Particle Swarm Optimization,APSO)算法的最小二乘支持向量机(APSO Least Squares Support Vector Machine,APSO-LSSVM)对滑油系统中轴承磨屑进行在线监测的故障诊断及寿命预测。通过主成分分析法(Principal Components Analysis,PCA)对滑油磨屑信息进行降维处理,构建特征向量,并将特征向量输入APSO-LSSVM模型,对轴承故障状态进行分类并对轴承剩余寿命进行预测。结果表明:使用PCA可以保留数据样本99.9%的信息,同时还能极大地降低数据维度;与遗传算法(Genetic Algorithm,GA)、灰狼优化(Grey Wolf Optimization,GWO)算法、粒子群优化(Particle Swarm Optimization,PSO)算法的支持向量机相比,所提算法因采用了自适应调节粒子移动步幅,在进行轴承状态分类时准确率更高,分类正确率可达95.56%,同时在进行轴承剩余寿命预测时具有较好的准确度和泛化性。

基于PSO-ELM组合算法的热力站负荷预测研究

提出了一种粒子群优化极限学习机(PSO-ELM)算法用于热力站负荷预测,应用粒子群(PSO)算法优化极限学习机(ELM)的输入权值和隐含层阈值。将提出的组合算法应用于天津市某小区热力站的负荷预测中,并与ELM、支持向量回归(SVR)和粒子群优化支持向量回归(PSO-SVR)算法在同等条件下进行比较。结果表明,PSO-ELM在预测精度上优于其他算法;在热负荷波动较大时,表现优于PSO-SVR;在一定范围内样本容量对预测结果影响不大,PSO-ELM可遗忘更多的数据。

基于PCA-PSO-ELM模型预测地震死亡人数研究

筛选42个历史地震震例,对地震震级、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度以及发震时刻7个影响指标进行主成分分析(principal components analysis,PCA),构建粒子群优化(particle swarm optimization,PSO)极限学习机(extreme learning machine,ELM)地震死亡人数预测模型。将37个震例数据进行预处理和训练,并使用5个震例数据来检验模型的预测精度。实验结果表明,该PCA-PSO-ELM组合模型的平均误差率为10.87%,相比于PCA-ELM模型和ELM模型,其平均误差率分别降低8.70个百分点和18.38个百分点。因此,采用PCA-PSO-ELM组合模型预测地震死亡人数具有一定的可行性。

干涉式闭环光纤陀螺仪的PSO-PID控制优化方法

控制系统的设计会对响应速度快且应用范围较广的数字干涉式闭环光纤陀螺(ICFOG)动态性能产生影响。通过分析ICFOG的工作原理,推导出闭环离散控制系统,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对传统的PID控制器参数进行优化。基于这个优化过程,设计一种新型的PSO-PID复合控制器,以取代传统的PID控制器。通过与其他BP神经网络、模糊控制等方法进行对比凸显该控制方法的优越。通过数字仿真分析显示,跟踪速度相较于BP-PID控制方法提高了1.91倍,相对于PID控制方法提高了3.5倍,相对于F-PID控制方法提高了1.75倍。同时,控制精度相对于BP-PID控制方法提高了46.03%,相对于PID控制方法提高了66.30%,相对于F-PID控制方法提高了45.27%。结果显示,采用PSO-PID控制器能够快速达到控制目标且具有较小的超调量。