基于MEA优化BP神经网络的天然气短期负荷预测

天然气负荷中包含大量非线性因素,单一的神经网络很难达到理想的预测精度,为了提高预测效果,提出了一种思维进化算法(MEA)优化BP神经网络智能预测模型。利用MEA的全局搜索性对BP神经网络的权值和阈值进行优化,避免了单一BP网络的局部最优和过拟合等缺点,然后建立最优预测模型。将这种组合模型应用于银川某县的天然气负荷预测,结果表明该组合模型具有更优的非线性映射能力和更高的预测精度。

基于MEA-LVQ神经网络的GIS特高频局部放电识别研究

针对学习向量量化(learning vector quantization,LVQ)神经网络在气体绝缘全封闭组合电器GIS特高频局部放电识别过程中存在初始权值敏感、竞争层未被充分利用的问题,提出了利用思维进化算法(mind evolutionary algorithm,MEA)优化LVQ神经网络的GIS特高频局部放电识别模型。该模型采用K交叉验证来确定LVQ网络竞争层中最佳神经元数目,并在此基础上利用思维进化算法寻找LVQ网络的最优初始权值,构建最佳的局部放电识别网络模型。对比该模型和BP网络、LVQ网络以及K交叉验证LVQ网络的放电识别准确率,结果表明:MEA优化的LVQ神经网络具有更高的识别精度。文中的研究对于提高局部放电识别准确率具有一定的价值。

基于MEA-BP的微波加热褐煤温度预测

对于微波干燥褐煤的温度采样数据具有多峰非平稳特性,采用小波阈值滤波能够较好地保留原始数据的细节信息。而直接使用反向传播(BP)神经网络来建立对微波加热物料温度预测模型,具有预测精度低、收敛速度慢且容易陷入局部极小点等缺点。采用具有极强全局寻优能力的思维进化算法(MEA)来优化BP(MEA-BP)神经网络的初始权值和阈值。实验结果表明:经MEA-BP神经网络具有更高的预测精度和泛化能力,预测性能得到了显著的提高。

基于MEA-BP神经网络的封盒装置滑动轴承故障诊断方法

针对封盒装置滑动轴承在生产过程中故障率高、可靠性低的问题,课题组提出了一种基于思维进化算法(MEA)的BP神经网络滑动轴承故障诊断方法。该方法通过多次的趋同和异化操作,不断优化BP神经网络的初始权值和阀值,建立了基于MEA-BP神经网络的滑动轴承故障诊断模型。利用样本集训练、测试和验证MEA-BP故障诊断模型,结果表明MEA-BP故障诊断法较未经优化的BP神经网络故障诊断法优势明显,能够较好地用于封盒装置滑动轴承的故障诊断,延长滑动轴承无故障使用时间。课题组的研究可提高包装企业生产效率。

基于MEA-BP神经网络的钻井机械钻速预测

机械钻速是衡量钻井效率的重要指标,如何高效地预测出机械钻速对提高钻井效率、降低钻井成本具有重要意义。目前机械钻速预测模型多以物理实验和经验公式为主,缺乏对现场实际工程数据的应用,基于此,该文提出了一种基于思维进化算法(MEA)优化BP神经网络的机械钻速预测新模型。该模型以现场实际工程数据为基础,通过小波降噪、标准化处理和灰色关联度分析对数据进行预处理,利用思维进化算法实现BP神经网络的初始权值和阈值的优化,从而实现机械钻速预测。将该模型预测结果与单一BP神经网络、遗传算法(GA)优化后的预测结果对比,结果表明,经过思维进化算法优化后的机械钻速精度更高,拟合优度达到0.936,为机械钻速预测带来一种新思路。

采用MEA-AdaBoost-BP模型的工程结构可靠性分析方法

针对工程结构可靠性设计中算法和计算存在的问题,提出基于MEA-AdaBoost-BP神经网络算法模型的可靠性求解方法.运用思维进化算法(MEA)求解训练集权值和阈值优化的BP神经网络,并构造为弱预测器函数.然后,运用AdaBoost算法将多个优化后的BP神经网络弱预测器函数迭代训练,形成MEA-AdaBoost-BP神经网络算法模型强预测器函数.最后,利用逼近隐性功能函数求解可靠性指标,并将其与AdaBoost-BP算法和Monte-Carlo算法进行比较.研究结果表明:所提算法在计算中与Monte-Carlo算法相比,其迭代次数分别仅为16次和46次,效率高,计算精度与Monte-Carlo法接近;而和AdaBoost-BP法相比,其可靠性指标误差分别仅为1.59%和1.88%,计算结果更精确.

基于MEA-BP算法的IGBT的寿命预测

针对IGBT寿命预测问题,提出了基于思维进化算法(MEA)优化的反向传播(MEA-BP)神经网络算法的IGBT结温预测算法模型,确定了集电极-发射极关断电压尖峰峰值为失效预测依据,构建了遗传算法(GA)优化的BP(GA-BP)神经网络算法以及经典BP神经网络算法寿命模型作为对比模型,采用均方误差、平均绝对误差、最大相对误差作为各模型预测性能的评估指标。预测结果表明,基于MEA神经网络的IGBT寿命预测模型均方误差为0.150%,平均绝对百分误差为0.36%,可以更好地实现IGBT寿命的预测。

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。

用于航空发动机动态辨识的MSMEA-ELM算法

针对传统思维进化算法搜索半径缺乏目的性,临时子群体补充缺乏方向性以及神经网络训练速度慢、泛化能力不足,传统极端学习机隐含层神经元个数多的缺点,提出一种多群体自适应思维进化算法优化的极端学习机(MSMEA—ELM)算法,通过传感器数据训练该算法用于对航空发动机大范围动态过程进行辨识。以训练均方误差与权值2范数的加权和最小为优化目标,采用多群体自适应思维进化算法优化极端学习机。以某型涡扇发动机为研究对象,采用MSMEA—ELM算法进行航空发动机动态过程辨识,验证了该算法的有效性。

MEA优化的BPNN MEMS加速度计温度补偿系统

在充分研究单轴硅微扭摆式电容加速度计结构原理和温度特性的基础上,利用思维进化算法(MEA)优化反向传播神经网络(BPNN)参数构建微机电系统(MEMS)加速度计的温度补偿模型,通过温度实验,计算出温度模型参数,进而实现实时温度补偿。实验结果表明:使用MEA优化的BPNN算法补偿后加速度计的非线性由1 576×10-6减小为266×10-6,标度因数温度系数由438×10-6/℃减小为78×10-6/℃,全温零偏极差由58.8 mgn减小为2.7 mgn,加速度计的温度特性大幅提高,证明所提温度补偿算法的有效性。

基于MEA-BP神经网络的开关磁阻电机静态电磁特性建模

建立精确的开关磁阻电机(SRM)模型对于改善SRM的性能和控制效果有着重要的影响。针对SRM运行时磁路的高度饱和和严重非线性问题,提出了基于思维进化算法(MEA)优化的反向传播(BP)神经网络算法的SRM非线性模型。利用ANSYS Maxwell软件建立了四相8/6极SRM模型并进行有限元计算,通过仿真和试验值的对比验证了该模型的精度比未经MEA优化的BP神经网络模型更高,可以更好地反映SRM运行时的磁链特性和转矩特性,且具有较好的泛化能力。

基于MEA-Elman神经网络的电力日负荷预测

Elman神经网络是一种动态反馈网络,对历史状态敏感,具有短期记忆功能和处理动态信息的能力,可以建立动态、非线性电力负荷预测模型。由于Elman神经网络采用BP算法,容易陷入局部极小解,迭代次数多且学习效率低,该文利用思维进化算法(MEA)优化Elman神经网络的方法,提出基于MEA-Elman神经网络的电力负荷预测模型。实验表明,该方法能够避免不成熟收敛问题,减少迭代次数,有效提高了配电网短期负荷的预测精度,对电力系统合理调度与规划具有重要意义。

MEA优化BP神经网络的压力脉动预测方法

对于混流式水轮机而言,尾水管的压力脉动是导致机组振动、影响机组稳定运行的重要因素。为了在机组设计阶段就能有效预测混流式水轮机尾水管的压力脉动并对其采取相应措施以减小压力脉动,引入BP神经网络对压力脉动进行预测,利用思维进化算法(MEA)的全局搜索能力优化BP神经网络的权值和阈值。结果表明,经过MEA优化后的BP神经网络预测精度可达0.99148,比传统BP神经网络的预测精度提高0.721%。MEA优化BP的压力脉动预测效果比传统BP的预测效果更好、精度更高,可用于实际工程。

基于MEA-BP的NTC热敏电阻温度传感器非线性补偿研究

热敏电阻作为温度传感器其阻温特性表现为非线性,在工程实际温度测量中存在一定的非线性误差,精度较低。论文使用NTC热敏电阻温度传感器作为研究对象,针对其存在的非线性问题,通过MEA(思维进化算法)优化BP神经网络模型从而实现对NTC热敏电阻温度传感器的非线性补偿,论文简要阐述了有关温度传感器补偿的相关方法与研究成果,分析了热敏电阻的阻温特性、工作原理,介绍了MEA-BP的模型构建,补偿原理与方法,利用5种评估标准对比传统RBF与BP神经网络模型。结果表明该补偿模型在各个评价指标上均优于传统RBF与BP神经网络,具有补偿精度更好、稳定性更强等优势,在测控、军工、航空等众多领域有一定实用价值。

基于MEA-BP的窃电识别方法研究

为了提高窃电识别准确度,提出了基于思维进化算法(Mind Evolutionary Algorithm,MEA)优化BP神经网络的窃电识别方法。得到各类用户的用电特征曲线,根据用户用电值与特征曲线的关系来判断是否存在窃电情况。为了提高BP算法的预测精度,采用MEA优化BP算法。将用户的负荷值作为MEA-BP的输入,MEA-BP的输出为窃电嫌疑程度。仿真结果表明,相比于传统的BP算法,MEA-BP算法具有更高的窃电检测精度,验证了所提方法的可靠性。

基于思维进化优化BP神经网络的边坡稳定性评估

基于思维进化算法(MEA)对公路边坡稳定性判定具有极强的全局搜索能力,利用思维进化算法对样本的初始权值和阈值进行优化处理,使前馈型神经网络(简称BP)在学习和预测时能够得到一个最佳的权值和阈值,从而加快了网络的训练速度。选择样本的仿真结果表明:优化权值后的BP神经网络得到边坡稳定性的判对率达到100%,相较于随机权值BP神经网络、RBF神经网络、遗传优化BP神经网络判对率分别提高了30%、35%、15%。从训练次数来看,优化后的算法能较快完成相关的学习和预测。MEA优化BP神经网络的预测准确率得到明显提高,在今后边坡稳定性的实际应用评价中可作为一种有效的辅助手段。

数字电路模块化进化算法

针对大规模复杂电路进化设计的收敛速度和规模瓶颈,在遗传算法的基础上提出了一种模块化进化算法.该算法以节点作为基本单元,采用图表形式的编码方案,其基本思想是将染色体中优秀的基因片段作为有效局部解或优秀子电路封装为模块,进化过程中该模块不再进行进化操作.不仅保护优秀的基因片段而且大大简化了复杂电路的进化设计.并以加法器和乘法器为例进行了模块化进化算法的进化设计实验.结果表明:相对于传统遗传算法,模块化进化算法应用于复杂电路进化设计时,不仅进化设计的速度得到提高,而且大大提高了电路进化设计的成功率.

基于混沌搜索的思维进化算法

针对思维进化算法中的产生初始种群的盲目随机性和冗余性以及现有搜索方式易陷入局部最优的问题,将混沌优化和思维进化算法结合,提出了一种基于混沌搜索的思维进化算法(Chaos Mind Evaluation Algorithm,CMEA)。该算法在进化的不同阶段引入混沌优化操作,利用混沌的遍历性提高算法的收敛速度,克服了早熟现象,同时利用思维进化算法的记忆特性和当代最优解指导混沌搜索,提高算法的搜索能力。仿真结果表明,与标准思维进化相比,该算法优化能力强,能有效地避免局部收敛,具有更快的收敛速度。

利用子群体迁徙的思维进化算法设计

群体智能是通过模拟自然界生物群体行为来实现人工智能的一种方法,它强调个体行为的简单性,群体的涌现特性,以及自下而上的研究策略.结合群体智能的优点,设计了利用信息共享进行子群体迁徙策略和信息浓度更新规则,实现了各子群体之间的协同,避免了各子群体进行封闭竞争,加快了各子群体的收敛速度,使得在较好信息的利用和全局性的搜索两个方面达到最佳平衡,加快搜索速度的同时保证全局收敛.通过4个测试函数的优化证明了算法的可行性和高效性.应用于自适应在线整定PID控制参数,获得了良好的控制效果.

基于思维进化算法的人脸特征点跟踪

提出了一种基于思维进化算法的人脸特征点跟踪的方法。通过提取人脸跟踪区域的尺度不变特征变换获得整体特征模版,并确定跟踪特征点,由整体特征模版的空间分布关系限定跟踪特征点的存在区域。应用思维进化算法的趋同过程和异化过程求得整体特征模版在目标帧的最优覆盖解,进一步提高跟踪特征点的限定区域的准确性,提高搜索速度和精度。引入原始特征和替代特征,使算法在复杂情况下仍能保持稳定跟踪和较快的跟踪速率。经试验,新方法能够在复杂情况下稳定跟踪95%的特征点,并保持25帧/s的跟踪速率。