基于优化神经网络的磁弹电感传感器温度补偿试验研究

磁弹电感传感器是磁弹电感法监测预应力钢绞线应力的主要设备。温度会引起监测误差,为提升监测精度,首先,分析了磁弹电感法监测应力的原理以及温度影响机理;其次,对4组不同张拉控制力的预应力钢绞线进行温度补偿试验,研究了传感器的温度敏感性,发现传感器电感漂移与变温幅度和路径相关,温度引起的相对误差最大达11.1%;最后,利用K折交叉验证方法,分别采用BP神经网络与优化后的GA-BP神经网络进行温度补偿。研究结果表明:相较于BP神经网络,GA-BP神经网络可有效修正温度误差,提升泛化能力,优化后相对误差降至3.3%。

基于蚁群优化神经网络的路基沉降量预测

原有神经网络中自变量数据输入过多时易出现拟合过度征象,从而降低展望模型的准确度。采取蚁群优化神经网络(ACOBP)模型的权值和阈值,经由实测仿真计算,结果表明ACOBP模型的精确度和效果均优于传统神经网络。

基于优化神经网络的自适应有限时间卫星ACSs故障估计

针对卫星姿态控制系统(ACSs)在复杂工况下的执行器、传感器并发故障估计问题,设计了一种基于优化超基函数神经网络的自适应有限时间故障估计观测器。首先,视执行器和传感器故障为系统的附加状态变量,建立时滞广义系统。其次,利用Levy飞行分布改进矮猫鼬优化算法,优化了超基函数神经网络。设计了自适应有限时间观测器,并分析了误差动态和残差对运行噪声的有限时间有界性和鲁棒性,将观测器设计问题转化为线性矩阵不等式问题。最后,进行了仿真验证分析,仿真结果表明:相较于基于传统矮猫鼬优化-超基函数神经网络的自适应有限时间观测器,所提方法对于不确定性和外部扰动的联合估计误差降低了13.0%,状态估计误差平均降低了11.3%,并发故障估计误差平均降低了3.2%,验证了所提方法的有效性。

基于大数据和优化神经网络短期电力负荷预测

随着电力数据采集成本降低及大规模电网互联等因素,电网中可获取的数据类型日益丰富。以往的集中式预测方法对海量电力数据的分析能力有限。提出基于大数据和粒子群优化BP神经网络短期电力负荷预测,建立短期电力负荷预测模型。利用国家电网的实际负荷数据,采用所提方法进行预测,与实际负荷数据及集中式负荷预测结果进行比较,结果证明,所提方法预测精度较高,降低了负荷预测时间,在实际应用中具有可行性。

大坝安全诊断的混沌优化神经网络模型

为了提高大坝变形的预测精度,采用小波变换和分形理论对大坝位移观测数据的非线性动力学特性进行了分析,揭示了其具有低维混沌动力特性,这为大坝变形预测模型的建立提供了理论依据和先验知识。基于低维混沌动力特性,设计了能捕获大坝位移观测数据全局动力特性,兼具神经网络模型结构优化和动力机制时新的混沌优化神经网络大坝变形预测模型。在工程实例中,由多个度量指标组成量化评价体系,对模型预测性能进行综合评价,结果表明,所建模型比传统BP神经网络和ARMA模型具有更高的预测精度。

基于静力应变及遗传优化神经网络的城市立交桥梁损伤识别

应用遗传算法优化神经网络的权值和阈值,选取静力应变变化率为神经网络输入参数,以结构的易损截面为研究对象,提出了用于城市立交桥梁的损伤识别方法。以长春市前进大街立交桥左辅道桥为数值模型,对该方法的损伤位置及损伤程度识别能力进行了研究。模拟结果表明:该方法能够对结构单位置及多位置损伤进行成功的定位;对测试样本的损伤程度识别误差在3%以内,且其内插能力要优于外推能力。

基于图像轮廓特征和粒子群优化神经网络的气液两相流流型识别

根据流型轮廓特征提取的不变矩能有效检测出具有平移、旋转、比例变化的图像特性,提出了一种基于图像不变矩与粒子群优化神经网络相结合的气液两相流流型识别的新方法。该方法利用高速摄影系统获取水平管道内气液两相流的流动图像,经过图像处理后和形态学轮廓提取图像不变矩特征向量,并以此特征向量作为流型样本对粒子群优化神经网络进行训练,实现了对流动图像的流型智能化识别。实验结果表明,训练成功的粒子群优化神经网络能够快速准确识别水平管道内的7种典型流型,整体识别率达到97.5%,为流型在线识别提供了一种新的有效方法。

遗传优化神经网络方法在桥梁震害预测中的应用

本文将遗传算法与神经网络相结合,从而建立了一种高效的、实用的桥梁震害预测方法。根据遗传算法具有局部寻优的特点,为避免BP神经网络陷入局部极小值,本文将二者结合起来形成GA-BP混合算法,以GA优化神经网络的初始权值和阈值,对网络进行训练。在大量收集梁式桥震害资料的基础上,将此算法引入桥梁的震害预测中,并与传统的单独BP神经网络相比较,结果表明该方法能够有效、准确地对桥梁结构进行震害预测。

基于动态优化神经网络的非确定语音识别研究

语音识别面对不同类型对象,传统的线性系统处理复杂度高的非特定语音准确率较低,提出一种基于优化神经网络的家电控制语音识别方法,将非特定的语音时域波形的分形维数作为神经网络的语音识别的特征参数,结合传统的语音特征参数构造语音识别的神经网络模型,在模型构造过程中使用粒子群优化的方法将神经网络的权重系数进行动态调整,防止优化模型陷入局部最小,实验证明,这种算法实现的家电控制的语音识别准确率高达92%,较传统的线性系统准确率提高了20%,具有很强的实用价值。

永磁直线同步电机的遗传优化神经网络控制

针对永磁直线同步电机的跟踪性能易受推力波动等干扰影响的问题,以及BP神经网络收敛速度慢和易于陷入极小值的问题,提出了基于遗传优化神经网络的控制方法。该算法在复合前馈PID控制算法的基础上,将遗传算法全局寻优和BP神经网络局部寻优相结合,利用神经网络实现了对永磁直线同步电机的干扰的快速,准确的在线补偿。实验结果表明,与复合前馈PID控制方法和神经网络控制方法相比,基于遗传优化神经网络的控制方法有效的提高了系统的跟踪性和鲁棒性,并能有效的消除干扰对系统的影响。

一种基于资源优化神经网络(RON)的文本分类方法

应用有指导的机器学习方法实现了一个文本分类器。运用改进型的CHI统计量方法对分词结果进行特征提取,对传统的TF-IDF加权公式进行了一些改进(称之为:ETF-IDF),运用资源优化神经网络RON(Resource-optimizing Networks)构建分类器。在复旦大学提供的中文文本分类语料库上进行分类实验,实验结果表明该分类器较之BP算法有较高的分类质量,且ETF-IDF加权公式较之传统的TF-IDF加权公式有其优越性,提高了分类的精度和性能,满足了中文文本自动分类的要求。

PSO优化神经网络的高职教学质量评价体系设计

目前,高职院校教育教学质量保障体系与教学质量评估问题已成为世界各国关注的问题之一。但教学质量评价过程中,存在数据收集量大、繁、杂;数据不完备、不确定;评价方法和手段;后期数据分析与应用等问题。故针对目前现状及存在问题,本文提出利用PSO优化的人工神经网络技术处理教学质量评估系统出现的问题,既克服了人为因素对评价结果的直接影响,又可建立全面合理的综合评价指标体系。

基于优化神经网络的地质灾害监测预警仿真

针对地质灾害监测预警方法中存在的实用性差等问题,提出基于优化神经网络的地质灾害监测预警方法。建立地质灾害监测数据体系,确保各种监测传感器协同工作,实现地质灾害动态预警对监测数据实时采集等需求。为提高监测预警准确性,对神经网络的输出层、隐含层的相关参数进行优化,对监测到的数据进行训练、泛化,组建基于优化神经网络的地质灾害监测预警模型,并按照0和1的组合结果对地质灾害进行监测预警。实验结果表明,所提方法组建的模型能够有效降低时间开销,提高整体的运行效率以及预警精度。

基于小波分析和PSO优化神经网络的短期风电功率预测

针对风电场风速和风电功率序列起伏波动大、无明显变化规律等特点以及传统神经网络收敛速度慢、易陷入局部极小值等缺陷,提出了基于小波分析和改进粒子群算法优化神经网络的短期风电功率预测方法。首先,通过小波方法将用于神经网络训练的历史风速和风电功率序列进行分解,再针对风速和风电功率的各个分量分别建立相应的神经网络模型,采用分期变异粒子群算法对各个分量的神经网络学习算法进行优化,最后将各个分量的预测值进行小波重构得到风电功率预测结果。江苏如东某风电场风电机组的实验结果证明预测精度较传统神经网络方法有较大提高,验证了所提出方法的有效性。

基于人工免疫优化神经网络的输变电工程造价评估

提出了基于人工免疫优化神经网络的输变电工程造价评估模型,该模型以输变电工程造价影响因素为输入变量,造价评估值为输出值,利用人工神经网络在小样本学习领域的优越性,结合人工免疫全局参数优化算法,实现稳定有效的输变电工程造价评估,用以对工程造价管理进行指导。

基于解耦子波和优化神经网络的大坝变形预测

针对提高神经网络对大坝变形的预测能力,在对Murtagh提出的、小波与神经网络相结合的、用于复杂时间序列预测的“三阶段”策略进行改进的基础上,发展了一个解耦子波和优化神经网络优势联合的预测模型。首先,利用冗余Haar小波变换的拟小波包特性提出了基于能量谱主峰重构的动力解耦空间构建技术,并将其替代“三阶段”策略中的第1阶段,从而为神经网络的应用创建了良好的平台;再者,利用最优脑外科医生进行网络结构修剪,建立了神经网络自身优化的“优化–时新窗”技术,并将其替代“三阶段”策略中的第2阶段,从而优化了神经网络的内部环境。改进后的模型增强了对复杂动力系统的适应和处理能力。在大坝变形预测应用中,多个评价指标说明,该模型的性能比“三阶段”策略有显著提高。

基于优化神经网络的电力调度自动化系统入侵检测算法

电力调度自动化系统是由用来监视、测量和控制参与发电设备所组成的系统,它的安全运行是电力系统正常运转的基础。提出一种基于优化的神经网络的电力调度自动化系统入侵检测算法,通过采用粒子群优化算法对传统的BP神经网络参数进行优化,并使用多种类型的攻击数据对参数优化的BP神经网络进行训练,使基于该优化算法的检测模型可有效检测入侵电力调度自动化系统的典型攻击。另外,将人工误操作视为一种特殊类型的攻击,通过对此类攻击发生时系统重要运行特征的训练学习,算法也可实现对此类型攻击的识别检测。实验结果对比验证了算法的可行性和有效性。基于本算法的模型可为电力调度自动化系统的安全提供有力保障。

梯度下降优化神经网络的主轴可靠性预测模型

为了提升机床主轴可靠性预测精度,提出了基于优化级联前向神经网络进行数控机床主轴可靠性预测的改进算法。将小批量梯度下降算法与级联前向神经网络预测方法相结合进行神经网络优化,增加了预测的准确度。对收集的主轴可靠性相关数据进行初步分析,选取前n个可靠度数据以及第n+1个可靠度数据对应的故障时间点t作为神经网络的输入变量,第n+1个可靠度数据作为输出变量,完成可靠性预测模型的训练以及测试数据的误差对比分析。实例仿真分析结果表明:应用该方法得到的可靠度预测值最大相对误差的绝对值为2.41%,小于3%,该预测方法精度较高。与BP神经网络等其他预测方法得到的预测结果最大相对误差大于3%,甚至超过10%相比,可以实现数控机床主轴更加精确的预测,为研究数控机床可靠性提供理论依据。

基于优化神经网络算法的大数据专家系统的继电保护二次回路故障定位系统(RSFLS)的研究与实现

为解决继电保护二次回路故障排查耗时耗力、考虑因素不全面、受限于人员经验等问题,本文提出基于优化神经网络的大数据专家系统的方法,并搭建继电保护二次回路故障定位系统(RSFLS)。在对继电保护二次回路抽象分类的基础上,建立基于实体-关系模型(E-R模型)的缺陷数据库模型,利用优化神经网络进行随机化和自学习,并融合继电保护人员的经验库,形成基于优化神经网络的专家系统架构,从而匹配定位故障点。该方法有效解决了传统二次回路故障排查方法所存在的准确性不高、随机性较大、时效性较低等问题。基于该方法开发的RSFLS系统已投入实际应用,能有效缩短继电保护二次回路故障排查时间、提高排查准确性。测试结果证明所述方法和系统在提升继电保护系统可靠性方面有显著效果。

抽水蓄能电站地下水位预测的优化神经网络模型

抽水蓄能电站上、下水库落差大,水头高,针对输水系统沿线山体地下水位变化的监测和预测对电站安全运行过程中的监测分析具有重要意义。为实现施工期山体水位预测,通过环境监测站获取多项环境监测数据,结合PCA(主成分分析)和GA(遗传算法)优化BP神经网络方法,建立PCA-GA-BP优化模型对地下水位进行预测。选取广东某抽水蓄能电站环境量及输水系统沿线山体水位孔数据,在分析测点、测站布置及地下水位影响因素基础上,对优化算法模型进行验证、比较。实验结果表明:优化模型具有较高预测精度,在高、中、低水位预测中综合相对误差较低,决定系数更高,均优于单BP预测模型,并通过PCA法使得网络拓扑结构更简单,提高综合预测精度,具有较好的预测效果,在实际运用中可以为安全分析、工程预警等领域提供一定参考。