基于改进麻雀算法的配电网故障定位

针对配电网故障定位准确率低、容错率低的问题,提出了一种基于改进麻雀搜索算法的配电网故障区段定位方法.在麻雀算法中引入动态自适应权重,加快麻雀算法的收敛速度,增强其局部开发和全局搜索的能力.通过在种群初始迭代中增加聚集阈值,提高算法的寻优精度.通过对单一故障场景、多故障场景下进行仿真测试验证改进麻雀算法的准确性和容错性,在IEEE33节点场景下,将改进后的麻雀搜索算法与粒子群算法、蛇算法、麻雀算法进行了比较,验证了改进后的麻雀算法的优越性,能够准确快速地实现故障定位.结果表明,改进后的麻雀搜索算法寻优能力更强,容错性更高.

接收信号强度指示测距模型修正与粒子群算法权重优化的节点定位算法

为了降低接收信号强度指示(RSSI)测距误差对定位精度的影响,提出一种RSSI模型修正与粒群算法(PSO)权重优化相结合的定位算法。首先通过最小化误差平方和原则对RSSI测距模型参数进行校正,避免测距误差带入定位阶段,然后利用三边测量法进行粗略定位,得到未知节点的近似坐标,最后引入改进PSO算法对该近似坐标进行优化,在改进PSO算法中提出一种基于收敛因子的权重策略,有效地平衡了算法的搜索速度与搜索精度,从而得到节点坐标优化值。实验结果表明,该算法能够有效抑制测距误差积累,有更好的收敛性能和更高的全局优化能力,能实现更好的定位效果。

后验加权贝叶斯算法的WiFi室内定位

针对WiFi电磁指纹库方法的在线定位阶段中传统朴素贝叶斯算法对于定位数据样本的独立性假设具有主观性和局限性,且增加了计算开销的问题,提出基于后验加权贝叶斯算法的实时定位方法:加权贝叶斯算法为定位数据的特征属性分配适当的权值,考虑了定位数据之间的关联性;将其进一步优化,依据定位数据特性,加入后验概率估计过程以提高分类器的实时性;最后将改进后的加权贝叶斯算法与朴素贝叶斯算法和支持向量机算法进行比较分析。实验结果表明该方法能较好地提高在线定位阶段的实时性和精准性。

自适应权重更新的两步定位算法

在室内环境中,影响定位精度的测量误差包括接收设备自身引起的误差以及信号非视距传播和多径效应所引起的测量正偏差。针对室内环境中测量数据包含测量误差服从正均值高斯分布的特性,提出了一种自适应权重更新的两步定位算法。该算法使用卡尔曼滤波和自适应权重更新的加权最小二乘算法进行两步定位,通过对每个测量距离分配不同的权重,克服了固定权重分配需在特定环境下方能获得良好定位精度的缺点。仿真结果表明,该算法定位精度优于两步定位算法和EKF算法,且对环境适应性更强。

基于归一化椭圆权重L-M算法的单应矩阵估计

针对特征定位误差服从各向异性高斯分布时单应矩阵的优化问题,提出了一种归一化椭圆权重的烈文博戈马奎特(EW L-M)算法。该算法对目标函数添加椭圆权重的形式,使得目标函数在马氏距离的基础上兼有欧式距离优点。模拟与真实数据的实验结果表明,本文提出的方法能在更少的迭代次数下估计出更精确的单应矩阵,且对不同级别的误差表现出更强的鲁棒性。

基于自适应权重的RFID室内定位算法

针对复杂环境下室内定位稳定性差和误差大的问题,提出基于自适应权重的RFID室内定位算法.根据误差分布特性,采用马氏距离构造基于正态分布的权重函数,自适应赋予每个样本不同的权重;对加权最小二乘支持向量机建立惩罚系数和核函数参数组合的目标函数;采用粒子群优化算法(PSO)优化最优目标函数,利用混沌粒子的随机性和遍历性,将混沌寻优的最优解代替粒子群寻优的最优解,避免陷入局部最优,提高定位精度.仿真实验结果表明,该算法在室内定位中精度更高,定位更稳定.

基于改进粒子群优化算法的气体源定位研究

为了提高粒子群优化(PSO)算法在气体泄漏源中的定位精度,针对标准PSO算法中存在的收敛早熟等问题,提出了一种惯性权重非线性递减和异步变化的学习因子相结合的改进PSO(IPSO)算法。该方法能够提高算法的性能,并加快粒子的收敛速度,引入二阶振荡环节来增加种群的多样性。通过函数优化实验与其他PSO算法对比,进行有效性分析和误差分析,由气体扩散模型仿真实验得出:定位结果误差值在1%范围内,表明IPSO算法不仅能够优化粒子学习能力,还能够有效提高算法的收敛精度和稳定性。

基于粒子群算法的重油热解模型参数估计

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出了一种根据种群多样性测度动态改变惯性权重系数的自适应粒子群算法,该算法能够平衡算法的全局探索和局部开发能力,不仅有效地避免早熟,而且具有较快的收敛速度.两个经典的测试函数的仿真结果表明了算法的有效性.将改进的粒子群算法应用于重油热解模型参数估计中,效果明显.

基于改进蝴蝶搜索算法的DGPS整周模糊度快速解算

为了快速准确地解算差分全球定位系统(DGPS)整周模糊度,提出了一种改进蝴蝶搜索算法(IBOA)求解整周模糊度。首先在蝴蝶优化算法(BOA)的香味系数中加入一个自适应权重,弥补BOA算法觅食行为中较弱的搜索能力;其次使用动态切换概率权衡BOA算法中全局搜索与局部搜索的比例;最后在全局搜索和局部搜索阶段引入新的迭代位置更新策略,提升了算法全局搜索能力和跳出局部最优能力。与最小二乘模糊度降相关平差算法(LAMBDA)算法进行1000个历元数据的解算对比实验,结果表明所提算法的平均搜索成功率比LAMBDA算法提高了5.07%。

改进非线性海鸥算法在矿震定位中的应用

为了提高矿震定位精度,保证算法能快速收敛且具有较强鲁棒性,提出了一种基于改进非线性海鸥算法的矿震定位算法(Robust Difference Seagull Optimization Algorithm,RD-SOA)。该算法首先计算差值矩阵,提出采用稳健差值法作为目标函数,其次基于海鸥算法,提出非线性惯性权重,最后通过海鸥间相互作用求解震源点位置。通过模拟试验分析,当波速在-1%~1%、-3%~3%和-5%~5%的范围内浮动时,RD-SOA的定位精度均优于传统的非线性最小二乘法(Nonlinear Least Square,NLS)和Geiger定位法及改进前的SOA,相同情况下,RD-SOA比SOA的收敛速度提高了67%。通过柿竹园金属矿人工爆破数据进行对比分析,RD-SOA定位结果的绝对误差由原始SOA的13.7 m降低至3.8 m。对某煤矿的一次大能量矿震事件进行定位,震源位于采空区顶板上方38 m厚细砂岩层中,受开采影响导致工作面后方顶板断裂,为本次事件提供了能量源。

基于改进鲸鱼算法的含DG配电网故障区段定位

针对鲸鱼优化算法存在收敛速度较慢、定位精度不够高等问题,文中提出了一种基于改进鲸鱼算法的含分布式电源配电网故障区段定位方法。构建了一种适用于多电源配电网故障定位的数学模型,采用自适应惯性权重策略来优化鲸鱼算法,并利用改进后的鲸鱼算法对构建的定位模型进行求解。在33节点含分布式电源的配电网上进行算例仿真,仿真结果表明在配电网发生单重、多重故障的情况下,改进后的鲸鱼算法能快速准确地定位出故障区段,且具有良好的容错性能。相较于传统鲸鱼算法,改进鲸鱼算法收敛速度更快,定位准确性更高,定位的可靠性也更高。

基于全变分正则最大后验估计的高光谱图像亚像元快速定位方法

针对高光谱亚像元定位应用中光谱解混这一病态问题的求解,改进了结合空间分布先验全变分(TV)的最大后验估计(MAP)光谱解混模型,以保证算法的可扩展性和解的唯一性.同时,针对TV先验固有的非线性特性导致的求解过程繁琐的问题,提出了一种快速求解算法,将原始复杂的非线性运算转化成几步较简单的有闭合解的运算,对这些子问题结合运用快速迭代收缩阈值算法(FISTA)和分裂Bregman算法来分别求解.结果表明,提出的新方法保持了与传统梯度下降方法相一致的定位精度,但将迭代速度提高了10倍以上,具有更高的运算效率.

基于改进粒子群算法的室内可见光定位研究

为了提高现行室内可见光定位系统的定位精度,提出考虑噪声干扰的动态惯性权重及认知因素的改进型粒子群算法。首先,将决定定位精度的欧式距离转换为目标函数最小值优化问题;其次,利用惯性权重动态赋值,增强粒子群算法初期的全局搜索能力和后期的局部搜索能力;然后,利用正弦函数使得个体认知因素值非线性地减小,利用余弦函数使得群体认知因素值线性地增加,以进一步提升定位精度;最后,通过仿真与实验测试对所提定位算法进行验证。仿真测试结果表明,在5 m×5 m×3 m和5 m×4 m×3 m两种定位模型中,在0,0.5,1.0和1.5 m四个高度平面的空间定位平均误差分别为0.65和0.54 cm;实验结果显示,在搭建的1 m×1 m×0.8 m和1 m×0.8 m×0.8 m室内空间中的平均定位误差分别为2.67和1.81 cm。

基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断与定位

BP神经网络算法易陷入局部极小点,而自适应权重粒子群算法全局搜索能力强,将两者结合起来,提出了一种基于自适应权重粒子群优化BP神经网络的光伏阵列故障诊断方法,仿真验证该算法可避免网络陷入局部极小点,提高网络预测精度。提取光照强度S、组件温度T、光伏阵列开路电压U_(oc)、最大功率P_m和电压表U_2、U_1与电流表I_2、I_1作为光伏阵列的特征量,经仿真测试比较,表明了所选特征量合理,降低了诊断复杂度,提高了预测精度。

基于EDA的加权KNN分类算法

针对传统K近邻(KNN)算法对不平衡数据集分类的不足,提出一种基于分布估计算法改进的加权KNN算法EDA-KNN。在没有先验知识的前提下,为了求解最优加权KNN算法的权重向量,构建矩阵结构种群。运用分布估计算法建立概率模型,进行采样、寻优等一系列操作,经过若干次迭代,最终获得使样本分类准确率达到最高的权重向量。通过对多个数据集进行分类,结果表明,EDA-KNN算法能够显著提升对于不平衡数据集分类的准确率,分类器性能稳定。

基于多应用场景的改进DV-Hop定位模型

针对距离矢量跳(DV-Hop)定位模型定位精度低、优化策略场景依赖性强的问题,提出一种基于函数分析和模拟定参的改进DV-Hop模型——函数修正距离矢量跳(FuncDV-Hop)定位模型。首先,分析DV-Hop模型的平均跳距、距离估计和最小二乘法中的误差原因,引入待定系数优化、阶跃函数分段实验、带等效点的权重函数策略和极大似然估计修正;其次,考虑多应用场景,用控制变量法,分别将总节点数、信标节点比例、通信半径、信标节点数和待测节点数作为变量,设计对照实验;最后,进行仿真定参和整合优化测试两阶段实验,最终的改进策略较原DV-Hop模型的定位精度提高了23.70%~75.76%,平均优化率57.23%。实验结果表明,FuncDV-Hop模型的优化率最高达到了50.73%,与基于遗传算法和神经动力学改进的DV-Hop模型相比,FuncDV-Hop模型的优化率提升了0.55%~18.77%。所提模型不引入其他参量,不增加无线传感器网络(WSN)的协议开销,且有效提高定位精度。

基于改进的粒子群算法的多元线性回归模型参数估计

针对基本粒子群算法易陷入局部解的不足,本文基于基本粒子群算法,着重对惯性权重因子进行改进,在非线性递减惯性权重策略基础上增加随机因素的考虑,给出了改进的算法—非线性递减随机惯性权重粒子群算法。并利用国际常用基准测试函数进行仿真实验,测试结果验证了改进算法的计算性能优于基本粒子群算法。在此前提下,本文针对多元线性回归分析中的参数计算复杂问题,又提出一种基于上述改进算法的参数估计方法,以最大似然准则作为粒子群优化算法的适应度函数,建立多元线性回归分析中的参数估计计算模型。算例仿真结果显示,该方法是高效和实用的。

非视距环境下基于粒子群的超宽带定位算法

将智能算法应用到无线传感器网络定位技术中是一种全新的尝试,粒子群算法是其中的一种典型算法。根据超宽带(UWB)定位原理,建立基于粒子群算法的定位模型,在非视距(NLOS)环境下,利用NLOS误差导致的附加时延和由信道决定的均方根时延扩展的联合统计特性,进行NLOS误差补偿,在迭代过程中采用线性递减的惯性权重,粒子群通过不断追踪个体极值和局部极值,更新自身的位置与速度,从而找到全局最优解,仿真结果表明正确率达90%以上。

基于改进APIT算法WSNs节点定位在配电网研究

针对无线传感器网络节点在定位配电网故障时定位精度低、能耗大等问题,对近似三角形内点测试(APIT)算法进行节点定位改进。首先对RSSI测距权重值进行改进,在保持较高的精确度条件下来确定测量次数,达到最优测距能力;然后,对传统APIT定位容易受节点密度影响,采用三角形外接球的方法确定未知节点坐标;最后,使用细菌觅食算法(BFO)改进APIT锚节点在分布较少的边界区域进行确定,将每一个计算出坐标的传感器标记为已知锚节点。由仿真结果可知,改进的APIT算法定位误差降低,减少数据迭代次数,提高了节点定位精度。改进APIT算法在定位准确度、定位面积和能耗损耗优化于其他算法。

模拟退火算法在地震定位中的应用

阐述了模拟退火算法及其在地震定位中的原理,以震相观测到时与理论到时之差(到时残差)为目标函数,利用模拟退火算法求解目标函数的最小值以获得地震的震源参数。在模拟退火算法的地震定位中根据震相的可靠程度对不同震相设置了相应的定位权重;对震相的走时误差设置了3组不同的值,以分析走时误差对定位结果的影响,对随机生成的1000个模拟地震进行模拟退火算法再定位。结果表明,走时误差越小,定位结果越准确。最后,通过地震震例进一步验证了模拟退火算法在地震定位中的可用性。