基于改进ABC-RBF的飞机全电刹车系统智能故障诊断

由于现有的故障诊断方法存在诊断平均误差值较高、耗时较长的问题,为此设计了基于改进ABC-RBF神经网络的飞机全电刹车系统故障自动诊断方法;设计采用“USB接口+ARM+FPGA”的硬件架构方式和由上位机、信号衰减电路等构成的故障信号采集器,实施飞机全电刹车系统故障信号采集;设计基于互信息与变分模态分解(VMD)的信号降噪算法对采集到的信号实施降噪处理;采用改进后的ABC算法对RBF神经网络参数进行寻优,确保寻优参数的有效性;并引入模糊集合的概念来提高网络的性能,利用梯度下降法进行网络训练更新,降低诊断结果误差;由此将降噪信号输入,利用优化训练后的RBF神经网络实现飞机全电刹车系统的故障自动诊断;结果表明,该方法的偏离因子值最低达到0.08×10^(-3),3种故障的平均诊断迭代时间均较短,其中主起落架“走步”故障的平均诊断迭代时间最短。

ABC-RBF神经网络在平板坝裂缝开合度监测中的应用

为提高混凝土平板坝裂缝开合度预测精度,针对混凝土平板坝裂缝开合度监测序列呈非线性以及周期性变化的特点,将基于EMD分解优化的ABC-RBF神经网络模型应用于混凝土平板坝裂缝开合度安全监测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,可用于分析混凝土平板坝裂缝开合度的安全监测。

基于ABC-RBF神经网络的飞机燃油流量监测与故障诊断

为了检测飞机发动机的性能及故障,利用神经网络建立了燃油流量的预测模型,将人工蜂群(ABC)算法结合预测需求在3维进行拓展,分别优化基于径向基函数(RBF)的神经网络泛化值和中心值,与经典RBF神经网络、K均值聚类算法等相比,3维拓展后的ABC算法对RBF神经网络进行的“反馈式更新”拥有更好的预测效果,其计算平均差值及预测误差更小,所需时间更短。随机选取短航程、中航程、长航程航班数据分别进行验证,结果表明:选择油门杆角度、飞行高度、马赫数、大气总温、发动机转速等参数能够反映发动机运行工况,预测效果理想;采用ABC算法对RBF神经网络进行优化后模型的更新能力较强,能够获得更高的预测精度,降低计算平均差值;通过航班故障数据验证了利用神经网络进行故障诊断的方法具有较大的实际应用价值。

基于ABC-BP神经网络的盾构掘进速度及地表沉降预测

近年来人工智能技术发展迅猛,其对大数据的处理能力使其在解决城市盾构隧道工程问题中发挥着愈加突出的作用。本文着眼于单一地层及复合地层,通过盾构掘进参数的数理统计分析,总结出各掘进参数的最优范围,采用构建ABC-BP(artificial bee colony-back propagation)神经网络建立预测模型的方法,基于地层特性、隧道属性预测掘进速度及地表沉降。研究结果表明:ABC-BP神经网络可以在单一地层及复合地层中对掘进速度和地表沉降进行精准的预测。研究成果有利于对盾构施工进行合理、高效地调控,提高盾构施工过程的安全性,降低施工对周围环境的影响。

基于ABC优化算法的神经网络水溶解氧预测

研究水溶解氧预测精确度问题,对指导水厂生产和水产养殖业,为地表水环境的管理提供科学依据。影响水溶解氧量的因素高度关联耦合而难以建立具有普适性的模型,而神经网络由于非线性问题处理能力被广泛应用于溶解氧预测的研究,但是神经网络存在收敛速度慢、网络对初始值敏感、容易陷入局部极小值等缺点而影响预测的精确性和稳定性。为了解决上述问题,在现有算法的基础上,提出了一种人工蜂群算法(ABC)与BP神经网络融合的水溶解氧预测模型。利用ABC算法寻找最优的网络权值和阀值,建立了ABC-BP预测模型对溶解氧进行预测,并分析了输入水质变量对溶解氧的影响权重,最后与遗传优化BP神经网络方法的溶解氧预测结果进行比较。仿真结果表明ABC-BP算法预测精度更高,误差更稳定。

基于神经网络与改进ABC算法的瓦斯预测研究

人工蜜蜂群(ABC)优化算法具有较强的全局搜索能力。在标准算法的基础上,参考粒子群优化算法,加入当前全局最优解对算法的有益引导;当观察蜂在引导蜂所在食物源附近搜索时,引入混沌搜索机制,改善局部搜索性能。利用改进的ABC算法,以网络训练的最小方差F为优化指标,优化神经网络的连接权值。优化后的神经网络用于瓦斯预测,取得了良好的效果。

基于ABC和BP神经网络的铁路货运成本预测研究

运用作业成本法,结合BP神经网络理论建立铁路货运成本预测模型。通过案例分析,得出BP神经网络可以更准确的预测铁路货运成本费用的结论。

基于ABC-BP神经网络的环境敏感监测模型设计研究

气流走向和风速变化对危险化学气体泄漏的走势有重要影响。基于此,提出神经网络结合的环境敏感监测模型,采用PSO-BP神经网络、GA-BP神经网络、ABC-BP神经网络进行的预测值与实际数据数值进行对比,并模拟气体泄漏后的短期风速的趋势。研究发现,ABCBP神经网络算法可以在最短的时间内做出反馈,提高预测精度并将预测误差率控制到最低。

基于改进ABC算法的模糊Elman变频空调温度控制

为解决变频空调温度控制中存在超调而造成用电浪费的问题,给出了基于改进人工蜂群算法(Improved Artificial Bee Colony,IABC)的模糊Elman网络控制(Fuzzy Elman Network Control,FENC)方法。方法将应用于变频空调控制的模糊规则针对网络训练过程中易陷入局部收敛的缺陷,将模拟退火思想引入人工蜂群算法的局部搜索过程,给出IABC算法。与Elman神经网络相结合,增强对动态信息的处理能力。仿真结果表明,FENC方法明显改善了训练后期易陷入局部极小点的问题,有效提高了训练精度和控制精度,限制了控制过程中的温度超调,表明FENC方法是一种精确可行的控制方法,可以有效降低空调能耗。

ABC优化BP神经网络算法在组合导航中的应用研究

针对北斗/捷联惯导组合导航,提出一种基于人工蜂群ABC(Artificial Bee Colony)算法的反向传播BP(Back Propagation)神经网络算法。首先,在北斗卫星导航系统接收机正常接收信号时,将捷联惯性导航解算信息(速度、位置)作为网络输入,卡尔曼滤波输出信息(速度、位置校正量)作为网络输出,对ABCBP神经网络进行在线训练,建立ABCBP神经网络的映射数学模型。然后,在北斗卫星导航系统接收机信号失效情况下,将惯性导航解算信息作为网络输入,利用建立好的ABCBP神经网络预测输出校正量信息,以此来校正捷联惯导系统SINS(Strapdown Inertial Navigation System)。最后,通过飞机飞行半物理仿真实验验证该算法的性能。仿真结果表明,ABCBP神经网络算法在定位精度方面具有更加优越的性能。

改进ABC-BP模型在数字调制识别中的应用

为了提高数字调制信号在不同信噪比下的识别性能,将改进人工蜂群算法优化BP神经网络(MABC-BP)的模型应用于数字调制识别中;为进一步提高基本人工蜂群(Artificial Bee Colony,ABC)算法的寻优性能,对基本ABC算法中"跟随蜂"在"食物源"邻域的搜索行为进行改进。从仿真结果可以看出,当信噪比低至0 d B时,7种数字调制信号的调制识别率依然可以达到85%以上,从而证明了该方法能有效地提高数字调制信号的识别性能。

基于ABC-BP神经网络的年均含沙量预测研究

准确的含沙量预测对于河道的治理以及防洪具有重要意义,本文结合实测数据,在BP神经网络的基础上,针对BP神经网络易陷入局部最小值的缺点,采用人工蜂群算法对权值、阈值进行优化,得到最优的初始权值、阈值,建立了基于ABC-BP的含沙量预测模型。在训练样本中,拟合精度达到了100%;在预测样本中,误差较单纯的BP神经网络有了较大的改善,相对误差最低仅为9.8%,有着较好的预测精度,该方法可为以后定量开展河流含沙量预测研究提供参考。

基于BP神经网络的ABC分类法在油田备件管理中的应用

对基于BP神经网络的ABC分类方法进行分析,并将其应用于油田备件的分类管理,实践证明它能有效地找出备件管理中的关键备件,提高备件分类的有效性和备件管理的针对性。

基于ABC-BP神经网络的光纤传感器光强补偿

为了减少光纤传感器测量过程中接收光强受到非线性因素的影响,提出利用人工蜂群算法(artificial bee colony, ABC)优化反向传播神经网络(BPNN)进行光强补偿的方法。通过人工蜂群算法局部搜索最优的能力优化传统反向传播神经网络的权值与阈值,达到减少局部样本陷入极值的目的。将内圈与外圈2组接收光功率以及位移作为训练数据,优化神经网络各参数值,从而建立最优ABC-BP神经网络补偿模型。结果表明人工蜂群算法优化后平均绝对误差减少了0.001 114,均方根误差减少了0.001 182,参数值均小于传统反向传播神经网络和支持向量机补偿模型。对比实验证明该混合算法预测误差更小,能够更高精度完成光强补偿过程。

基于ABC-ELM的上证综指收盘价格预测模型

针对上证综指收盘价格预测问题,提出基于人工蜂群算法和极限学习机的组合预测模型。将上证综指的日交易数据作为原始样本,对数据进行归一化处理,利用ELM对数据进行训练,用ABC优化ELM的输入权值矩阵及隐含层阈值,建立收盘价格预测模型。仿真结果表明,与ELM、ABC-SVM、ABC-BP等模型相比,ABC-ELM的预测精度更高,且策略的年化收益和最大回撤表现均优于沪深300指数,证明了ABC-ELM模型在上证综指收盘价格预测方面的有效性。

基于ABC算法优化BP神经网络的雾霾天气预测模型研究

本文首先阐述了BP神经网络和ABC算法的基本概念,结合现阶段环境空气质量需求,明确了雾霾天气预测预警的必要性,然后结合安徽省大气质量指数数据,从空气质量等级评估、预测指标体系构建和雾霾天气预测模型选择等方面,研究了基于ABC算法优化BP神经网络的雾霾天气预警模型,以期进一步提高雾霾等级评估与预测的准确性,提高政府相关部门决策的时效性。

基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。

基于自适应GRNN的无线室内定位算法

室内信号强度波动的随机性使广义回归神经网络(GRNN)难以选择最优参数建立定位模型并预测目标位置。为此,提出一种自适应广义回归神经网络的定位算法。利用改进的人工蜂群算法对广义回归神经网络进行参数优化,并将其应用于无线室内定位,建立无线信号特征与目标位置信息的映射关系,利用建立的映射关系预测目标位置,降低信号强度波动的随机性对定位精度的影响。实验结果表明,在12 m×12 m的区域范围内,该算法的平均定位误差为0.65 m,与基于蜂群算法的GRNN以及基于粒子群算法的GRNN相比,该算法的定位准确率分别提高了21.3%和23.1%,且收敛速度较快。与路径损耗模型和BP神经网络相比,该算法的定位准确率分别提高了17.86%和3.1%,能够有效提高定位精度。

一种蜂群-神经网络集成方法的应用研究

提出一种蜂群-神经网络集成方法,与一般的神经网络集成方法不同的是:(1)集成个体的生成首先利用蜂群算法优化三层BP神经网络的结构和连接权,并以优化后的网络结构和连接权作为新的神经网络结构和初始连接权,再进行新一轮BP神经网络训练后生成;(2)为提高集成个体间的差异度,首先对个体进行分类,其次利用ABC算法对每一类个体进行最优组合搜索,选取相关系数最低的一个组合的均值作为该类的代表,最后对不同类别的代表作平均集成。在西太平洋热带气旋强度的预测试验中,所提出的蜂群-神经网络集成方法的泛化能力不仅明显优于单个神经网络,也优于Bagging和AdaBoost这两种集成方法。是一种具有较高应用价值的神经网络集成预测方法。

优化CMP碱性铜抛光液配比的新方法

采用响应曲面法(RSM)和人工神经网络(ANN)分别对化学机械抛光(CMP)碱性铜抛光液的主要成分(Si O2磨料、FA/O型螯合剂、H2O2氧化剂)进行优化研究。采用RSM优化,当抛光液中磨料、氧化剂和FA/O型螯合剂的体积分数分别为10.57%,1.52%和2.196%时,Cu的抛光速率的预测值和实测值分别为924.29和908.96 nm/min;采用ANN结合人工蜂群算法(ABC)优化,当抛光液中磨料、氧化剂和FA/O型螯合剂的体积分数分别为11.58%,1.467%和2.313%时,Cu的抛光速率的预测值和实测值分别为947.58和943.67 nm/min,其拟合度为99.36%,高于RSM的94.63%,且均方根误差较低为0.199 3。结果表明,在抛光液配比优化方面,RSM和ANN都是可行的,但后者比前者具有更好的拟合度和预测准确度,为更加高效科学地优化抛光液配比提供了一种新的思路和方法。