基于CPSO-Elman神经网络矿井下可见光定位

针对传统矿井下定位方法精度偏低问题,提出一种混沌粒子群优化(CPSO)Elman神经网络矿井下可见光定位系统。由于Elman神经网络在初始化时存在参数设置的随机性导致预测精度不高,采用CPSO算法优化Elman神经网络,选取适合的各层的初始权值和阈值,用于提高神经网络拓扑的稳定性。仿真结果表明:在3.6 m×3.6 m×3.6 m的环境里,本文所提的算法的平均定位误差达到3.70 cm,最大定位误差为26.54 cm,在实验阶段的平均定位误差为5.91 cm,最大定位误差为36.95 cm,能够满足煤矿井下定位需求。

飞机舱门收放系统CPSO-BP神经网络故障仿真与诊断

针对民机舱门收放系统故障模拟代价大、故障数据少、故障诊断精度低的问题,提出基于CPSO-BP神经网络的飞机舱门收放系统故障诊断方法。根据民机舱门系统工作特性和高发故障的情况,确定流量控制阀磨损、液压马达泄漏、液压油污染和节流阀阻塞4种典型故障模式;建立飞机舱门AMESim收放系统仿真模型,通过典型故障的仿真分析获得120组故障数据,构建包含29520个样本的故障数据集;采用BP神经网络进行故障诊断,其平均诊断正确率仅为85.36%。采用混沌粒子群算法(CPSO)优化BP神经网络的初始权重和阈值,故障诊断正确率达到93%,提高了飞机舱门收放系统的故障诊断正确率。

基于FTA优化CPSO算法的锻压机典型故障诊断研究

为适应多种类型的产品加工需求,锻压机具高度自动化控制能力的提高尤为重要。采用单一智能故障诊断算法无法达到高的故障诊断率以及需要设置复杂的诊断措施等,综合故障树分析(FTA)与混沌粒子群(CPSO)算法相结合方式实现故障诊断。分析实际传感器测点,并与GA与PSO算法结果进行对比。结果表明:FTA-CPSO算法的故障诊断准确率比GA高6.25%,比PSO高4.20%;FTA-CPSO算法可以获得较小的误差,相对GA与PSO达到了更优的诊断性能;经过多次迭代后,所有算法的适应值都减小;FTA-CPSO可以在最短时间内完成迭代计算,有效降低迭代次数,同时搜索时间也明显缩短。

基于混沌粒子群改进支持向量机对露天矿边坡稳定性的分类预测

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出了基于混沌粒子群优化算法的4种机器学习模型,并对其预测性能进行了对比。建立了包含221组露天矿边坡稳定性案例的数据库,其中80%的数据用于训练,20%的数据用于模型测试。4种模型预测结果及工程实例验证结果表明,基于混沌粒子群改进支持向量机模型的预测效果上总体优于其他3种机器学习模型,预测准确率88%,能够有效预测边坡稳定性,可为露天矿边坡安全提供可靠的预测结果。

一种改进的CPSO-LSSVM软测量模型及其应用

针对最小二乘支持向量机(LS-SVM)在处理大规模数据集的回归和分类问题时缺少支持向量所具有的稀疏性和难以确定最佳模型参数值的问题,提出一种改进算法,利用样本间马氏距离分析样本相似程度,剔除部分相关样本,对样本集进行约简,以恢复LS-SVM的稀疏性,进而利用具有较强全局搜索能力的混沌粒子群优化算法(CPSO)对LS-SVM建模过程中的模型参数进行优化选择,以提高模型的拟合精度和泛化能力。将提出的改进算法用于湿法脱硫系统浆液pH值的软测量建模,给出了应用该方法的具体步骤,研究结果表明,该算法取得了较高的建模精度和泛化能力,为pH值的在线实时监测提供了一个有效手段。

CPSO-LSSVM在自回归钟差预报中的应用

建立了基于自回归算法的钟差预报模型,利用具有较强非线性运算能力和容错能力的最小二乘-支持向量机算法来求解自回归参数,同时利用具有快速寻优特点的粒子群算法来优化最小二乘-支持向量机参数。为了克服粒子群算法容易陷入局部极值而形成早熟的缺点,提出了分别在粒子初始化位置和陷入局部极值的位置上进行混沌处理,提高了粒子搜索的遍历性和寻优能力,从整体上优化了算法。最后通过星载钟差数据对该算法进行了验证,结果表明:本文算法能够实现亚纳秒量级的预报精度并提升卫星授时导航性能。

热导传感器温度特性的CPSO-SVM数据融合校正

为了消除环境温度对热导气体传感器的影响,提出了一种热导传感器温度特性的经典粒子群优化——支持向量机(CPSO-SVM)数据融合校正方法。该方法将热导传感器和温度传感器构成传感器组,利用支持向量机对传感器组的输出信号进行数据融合,采用经典粒子群优化算法和测试样本集均方根误差与平均绝对百分比误差同时最小原则选择和优化支持向量机的参数向量。对氢气浓度的检测实验表明,该方法能有效地改善传感器的温度特性,实现了气体浓度的精确检测。

基于混沌粒子群优化算法的反应釜温度预测控制研究

反应釜作为化工行业核心的生产容器,其温度控制优化在化工生产领域中具有重要作用。针对反应釜温度控制难的问题,提出了一种基于Tent映射的混沌粒子群优化(CPSO)算法优化动态矩阵控制(DMC)-比例积分微分(PID)的反应釜温度预测控制策略。由于DMC很难选取较优的参数,利用Tent映射的CPSO算法提高动态矩阵参数寻优的速度。通过试验,以及与常规PID、DMC-PID控制对比分析,基于Tent映射的CPSO-DMC-PID串级控制对温度控制系统有较好的控制精度和响应速度,可大幅缩小超调量。该控制策略对反应釜温度预测控制研究具有一定的参考意义。

CPSO和LSSVM融合的网络入侵检测

网络攻击具有多样性和隐蔽性,为了提高网络安全性入侵检测的正确率,提出一种混沌粒子群算法(CPSO)和最小二乘支持向量机(LSSVM)相融合的网络入侵检测方法(CPSO-LSSVM)。利用混沌粒子群算法对LSSVM模型参数进行搜索,选择LSSVM最优参数,采用KDDCUP99数据集对CPSO-LSSVM性能进行测试,实验结果表明,CPSO-LSSVM提高了网络入侵检测正确率,降低了误报率,可以为网络安全提供有效保证。

基于CPSO的二维Otsu图像分割法

二维Otsu方法同时考虑了图像的灰度信息和像素间的空间邻域信息,图像分割效果好但算法计算量较大。针对上述情况,提出一种基于混沌粒子群优化算法(CPSO)的策略,将其用于二维Otsu方法中,并与标准粒子群优化算法(SPSO)进行仿真实验对比。实验结果表明,该方法可以提高分割速度,克服SPSO的缺点,图像分割结果较理想。

改进CPSO-SVM在人脸识别中的应用

为使粒子群优化算法初始粒子均匀分布在解空间,增强全局的搜索能力,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出了一种改进型混沌粒子群算法。该算法采用Circle映射,产生了分布均匀的混沌变量轨道点,并结合动态调整惯性权重的思想来避免粒子群算法陷入局部最优。同时,给出了应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进CPSO-SVM方法比基本粒子群方法能获得更好的识别性能。

基于CPSO-LSSVM的单轴旋转惯导系统轴向陀螺漂移辨识

在单轴旋转惯导系统中,轴向陀螺漂移是影响系统导航精度的重要因素。为了提高惯导系统的导航精度,采用混沌粒子群算法(chaos particle swarm optimization,CPSO)优化的最小二乘支持向量机(least squaressupport vector machine,LSSVM)对轴向激光陀螺漂移进行辨识。利用初始对准12h内系统纬度误差和温度变化量作为LSSVM模型的训练数据,利用CPSO对LSSVM进行参数优化,利用优化后的LSSVM模型对轴向陀螺漂移进行辨识,轴向陀螺漂移辨识精度优于0.000 2(°)/h,系统定位误差优于1nm/72h。试验结果表明,CPSO是选取LSSVM参数的有效方法,该方法能够有效地辨识轴向陀螺漂移,具有很高的辨识精度,具有很高的实际应用价值。

基于CS-CPSO与SVM融合的WSNs入侵检测算法

为了提高基本粒子群优化(PSO)算法与支持向量机(SVM)融合的无线传感网络(WSNs)入侵检测算法的检测精度与收敛速度,提出了一种基于完全正弦映射混沌粒子群优化(CS-CPSO)算法与SVM融合的WSNs入侵检测算法(CS-CPSO-SVM)。采用CS-CPSO算法优化SVM参数,不仅将正弦映射混沌搜索应用于粒子群算法中初始种群与局部最优解混沌扰动的产生,且将其用于惯性权重的优化以及随机常数和学习因子的产生,并用多个初始值分别迭代生成多条混沌轨道。以KDDCUP99数据集作为实验数据,经理论分析与仿真实验表明:该方法可以有效地检测入侵行为,并具有良好的检测精度与收敛速度。

基于CPSO-LSSVM的网络入侵检测

为提高网络入侵检测效果,提出一种结合混沌粒子群优化(CPSO)算法和最小二乘支持向量机(LSSVM)的网络入侵检测模型。将网络特征和LSSVM参数编码成二进制粒子,根据网络入侵检测正确率和特征子集维数权值构造粒子群目标函数。通过粒子群找到最优特征子集和LSSVM参数,同时引入混沌机制保证粒子群的多样性,防止早熟现象的出现,从而建立最优网络入侵检测模型。采用KDD99数据集进行性能测试,结果表明,该模型不仅能获得最优特征子集和LSSVM参数,而且提高了入侵检测速度和正确率,降低了入侵检测误报率和漏报率。

基于CPSO-SVM的石油需求预测

研究石油需求准确预测问题,石油是一种国际货物,受多种因素影响,具有不确定性、非线性和突变性等特点,传统线性建模方法预测精度低。为了提高石油需求预测精度,提出一种利用混沌粒子群优化支持向量机的非线性石油需求预测方法(CPSO-SVM)。采用CPSO优化SVM参数,然后采用优化的SVM对石油需求的非线性变化规律进行建模,以1989～2007年石油需求数据进行仿真,结果表明,采用CPSO-SVM提高了石油需求量的预测精度,为石油需求量预测提供一种新的研究方法。

基于CPSO的WSN路由优化

针对传统的无线传感器网络存在网络生存时间短、能量损耗大、整个网络能量不均衡的问题,提出使用CPSO(混沌粒子群算法)对路由进行优化。介绍了对WSN(无线传感器网络)路由进行优化的过程。测试结果表明,经过优化的无线传感器网络具有网络生存时间长、能量损耗小、整个网络能量均衡的优点。

基于LSSVM与CPSO的瓦斯涌出量组合预测

为了提高矿井瓦斯涌出量的预测精度,提出了一种基于最小二乘支持向量机(LSSVM)与经典粒子群优化算法(CPSO)的矿井瓦斯涌出量非线性组合预测方法。该方法应用最小二乘支持向量机建立了一个多输入单输出的瓦斯涌出量非线性组合预测模型,对3个常用的单项预测数据进行非线性组合并作为最终预测结果,模型的参数由经典粒子群算法与学习样本的平均绝对误差最小原则进行智能优化。实验结果表明,所提出方法最大绝对误差为0.0183m3·t-1、平均绝对误差为0.0039m3·t-1,达到了高精度预测的要求,对矿井瓦斯涌出量预测研究具有较好的实用价值。

自旋忆阻CPSO-PID神经网络

采用混沌粒子群优化算法(CPSO)对网络初始值进行迭代寻优,加快系统的收敛速度.为了实现PID神经网络的硬件平台搭建,新型纳米器件——自旋忆阻器,由于其独特的记忆特性和纳米级尺寸,被用来模拟电子突触,以实现神经元之间的相互连接.最后,通过对强耦合系统进行解耦控制验证了该方案的有效性.

基于CPSO-BP神经网络-PID的热熔胶机温控系统研究

针对热熔胶机加热温度存在惯性大、滞后性强、非线性等缺点,且常规PID控制难以达到温控要求,提出了一种基于CPSO-BP神经网络的PID控制器参数自适应调整算法。该算法先用CPSO算法将BP神经网络的初始权值和阈值优化到全局极小点附近,然后用传统BP神经网络学习算法在线调整PID参数。采用MATLAB对设计的CPSO-BP神经网络-PID控制器进行了温控系统仿真分析,仿真结果显示该控制器可实现对热熔胶机温度的精确控制,具有良好的自适应性和鲁棒性;实验测得采用CPSO-BP神经网络-PID控制器的温控系统能够在3.5min内达到设定温度,温控精度为±2.5℃。CPSO-BP神经网络-PID控制器作为嵌入式系统的一个控制单元,已投入热熔胶机温控系统实际应用,使用效果表明:温控系统性能稳定,温控精度高,有效实现了热熔胶机加热温度的自动控制,具有良好的实际应用及推广价值。

利用CPSO-RBF神经网络的电流互感器自动测试校正研究

在测量领域中,传感器与测量电路一般都不可避免地存在残余电压与零点漂移,即零点误差。对零点误差的处理是提高仪器测量精度的一个关键措施。以电流互感器自动测试系统为研究对象,提出了一种基于协同粒子群算法的RBF神经网络,以自适应地处理测试系统的零点误差。实验结果表明,该措施能够有效地抑制零点误差,提高仪器测量精度。