基于多特征提取与灰狼算法优化SVM的车内异响识别方法

传统的异响识别方法对测试设备要求较高且易受实验员经验差异影响。针对这种情况,提出一种基于多特征提取与灰狼算法优化支持向量机(Support Vector Machine,SVM)的车内异响识别方法。该方法以采集实验获得的6种车内常见异响作为研究对象,提取短时能量、小波变换优化的梅尔频率倒谱系数(DWT-MFCC)及其一阶差分组成混合特征参数,将灰狼优化算法应用于SVM的参数寻优中,建立异响识别模型并进行识别分类,同时探究选用不同维度的特征或不同算法对识别效果的影响。结果表明,所提取的25维混合特征能有效传达异响信息,该方法在收敛速度与识别准确率方面优势明显,能更好地实现车内异响的识别。

基于变分模态分解和改进灰狼算法优化深度置信网络的自动转换开关故障识别

自动转换开关(ATSE)是保证系统连续供电的设备,对其进行健康监测和故障诊断对系统的稳定运行具有重要意义。为了实现对ATSE的非侵入式故障识别,该文提出一种基于电流信号变分模态分解(VMD)的特征提取和改进灰狼算法(IGWO)优化深度置信网络(DBN)相结合的故障诊断方法。该方法首先利用样本熵确定VMD分解次数并对故障电流进行分解;其次对分解后得到的本征模态函数进行小波包能量的提取,并利用IGWO对DBN网络结构参数进行优化;最后通过DBN将电流能量特征与ATSE的故障类型建立起映射关系从而完成最终的故障识别。所提IGWO采用了分段调节与非线性递减的衰减因子相结合的策略,以平衡算法全局搜索和局部搜索能力;并采用莱维飞行更新探狼的移动位置,来避免算法陷入早熟收敛。实验结果表明,该算法不仅能显著提高前期对参数寻优的训练速度,后续泛化实验的故障分类准确率也有98.78%的良好表现。

基于灰狼算法优化支持向量机的变压器故障预测

为提升变压器故障预测的准确性,提出了一种基于灰狼(Grey Wolf Optimization,GWO)算法优化支持向量机(Support Vector Machine,SVM)的变压器故障预测方法。采用GWO算法对SVM进行优化,建立了基于GWO-SVM变压器油中溶解特征气体预测模型,根据油中溶解特征气体随时间变化的特点,通过求取嵌入维数确定模型输入量。文章采用实际运行变压器的油中溶解气体分析(Dissolved Gas Analysis,DGA)数据进行仿真分析,并与其他预测方法对比,结果表明,GWO-SVM模型对H 2预测平均相对误差和均方根误差分别为4.38%和9.48μL/L,预测精度高于其他方法。在变压器油中溶解特征气体含量预测的基础上,利用IEC三比值法进行变压器故障诊断,诊断结果与变压器实际故障一致,验证了变压器故障预测方法的实用性和有效性。

基于灰狼算法优化BP神经网络的GNSS高程拟合

为了提高GNSS高程拟合精度,提出了一种基于灰狼算法优化BP神经网络的GNSS高程拟合方法。采用GWO算法对BP神经网络的初始阈值和权值进行优化,建立了基于GWO-BP神经网络的GNSS高程拟合模型。采用工程实例进行仿真分析,并与其他GNSS拟合方法进行对比,结果表明,所提GNSS高程拟合方法的拟合残差更小,稳定性更好,有利于提高GNSS高程拟合精度,为GNSS高程拟合提供了一种新方法。

基于灰狼算法优化卷积神经网络的工业过程故障诊断

针对工业过程故障诊断中数据规模的逐渐增大以及数据之间映射关系、复杂程度的增加,文中以TE过程为数据背景提出一种基于灰狼算法(Grey Wolf Optimizer,GWO)优化卷积神经网络(GWO Convolutional Neural Networks,GWO-CNN)的模型,结合GWO算法具有搜索能力强、结构清晰、容易实现等特点,寻找CNN卷积核的个数等参数的最优解,并利用所寻得的最优参数搭建GWO-CNN模型并将其应用于工业过程的故障诊断。仿真结果表明,相比传统的卷积神经网络,GWO-CNN算法能够从原始数据中提取更多故障特征,从而提升原有的故障诊断的准确率。

基于改进灰狼算法优化ELM的边坡稳定性评价

采用改进的灰狼算法对极限学习机进行了优化,以改善边坡稳定性评估的准确性。首先,在GWO中加入了逆向和非线性的收敛因子,并给出了一种新的GWO优化方法;其次,为了改善ELM的性能,利用IGWO算法优化了ELM的输入层次权重和隐含层偏差,从而得到了IGWO-ELM的最佳模式。最后,选取重度、黏聚力、摩擦角、边坡角和坡高5个指标作为边坡稳定性评估参数,研究结果表明,与ELM、PSOELM、GWO-ELM相比,应用IGWO-ELM对边坡的稳定性进行评估,其结果更为准确。

灰狼算法优化的PID控制器在实验焦炉温度控制中的应用

针对焦化领域实验焦炉温度控制问题,提出了一种基于灰狼优化算法优化PID参数(GWO-PID)的方法。首先,将焦炉温度控制的数学模型,简化为一个二阶带有纯滞后的模型。然后,利用灰狼优化算法对PID控制器的参数进行优化,提高了控制器的控制精度和鲁棒性。实验结果表明,灰狼算法优化后的PID参数,有效克服传统PID的参数僵化,该方法满足中小型实验焦炉温度控制要求,大大减少响应时间,可以实现无震荡、无超调。

改进灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对灰狼算法易陷入局部最优和后期寻优能力不足等缺点,提出改进非线性控制因子以提高算法收敛精度及稳定性。采用美国国家可再生能源实验室(National Renewable Energy Laboratory, NREL)"Gearbox Reliability Collaborative"项目测试采集的风力机齿轮箱振动信号为分析对象,经集合经验模态分解后,计算各本征模态函数分量的模糊熵并构建高维特征向量,后利用等距映射进行降维。利用改进灰狼算法优化支持向量机,对降维后齿轮箱故障特征集进行诊断。结果表明:改进灰狼优化算法相较于灰狼算法、粒子群算法和遗传算法可有效避免陷入局部最优并提高支持向量机诊断精度及稳定度,在不同测试样本下其准确率均最高,平均准确率达93.17%。

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法。通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类。结果表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5%。

基于灰狼算法优化的神经网络短期发电量预测

精确的发电量预测对电网的科学运行和经济效益具有重大意义.针对用于预测的神经网络初始权值与阈值选取不合理、网络收敛性和预测精度差的问题,提出了一种用灰狼优化算法(GWO)对BP网络的初始权值和初始阈值进行优化的算法.首先采用灰色关联度对发电量特征数据进行关联分析,确定出模型的输入层节点数.然后将网络的初始权值和初始阈值对应表示为狼群中每个个体的位置向量,其次引入领导者策略模拟狼群包围、捕食猎物的过程,完成参数优化.最后,根据误差反向传播训练得到最终权值和最终阈值,建立用于短期发电量预测的BP神经网络.实验结果表明,与传统BP和GA-BP算法相比,提出的GWO-BP预测算法的精度分别提高了0.63‰和0.32‰,为解决短期发电量准确预测的问题提供了一种新的方法.

基于改进灰狼算法优化多核支持向量回归机及其应用

为更好发现数据中的复杂规律,避免核函数选择的盲目性和局部最优等非线性优化问题,本文提出一种基于改进灰狼算法优化多核支持向量回归机算法.首先,基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型;其次,利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化;最后,应用灰色关联分析理论确定采油速度影响因素集,并作为多核支持向量回归机预测模型的输入.与6种采油速度预测方法进行对比,所提方法具有较好的全局寻优能力和较高的预测率的优点.

基于改进灰狼算法优化支持向量机的短期交通流预测

实时、准确的短期交通流预测是智能交通系统的基础和关键技术之一.由于灰狼优化算法(GWO)存在收敛速度慢、易陷入局部最优解等缺陷,为进一步提升短期交通流预测的精度,提出了基于改进灰狼算法(IGWO)优化支持向量机(SVM)的短期交通流预测模型.首先,本文提出引入帐篷(Tent)混沌序列初始化灰狼种群,更改收敛因子的线性递减公式,对灰狼群体进化差分丰富种群多样性等方法提高算法的收敛速度和收敛精度.之后,通过对8个测试函数的计算,并与粒子群算法(PSO)、GWO进行对比,证明IGWO的先进性.最后,建立IGWO-SVM短期交通流预测模型,并通过实际数据对比分析IGWO-SVM、GWO-SVM、PSO-SVM、SVM这4种短期交通流预测模型的预测效果.对比结果表明:IGWO-SVM具有良好的鲁棒性和泛化能力,可以对短期交通流进行精确预测.

改进灰狼算法优化SVM的大坝变形预测

为进一步提高大坝变形的预测精度,提出了一种改进的灰狼算法优化支持向量机预测模型。通过引入非线性收敛因子和采用动态加权策略,提升了灰狼算法优化支持向量机惩罚因子和核函数参数的能力,并以最优参数建立支持向量机大坝变形预测模型。选取实例数据,与布谷鸟算法、差分进化算法、粒子群算法和基本灰狼算法优化的支持向量机预测模型进行比较。实验结果表明,改进的灰狼算法对支持向量机参数的优化是有效的,基于此建立的模型预测效果良好,达到了提高大坝变形预测精度的目的。

基于改进灰狼算法优化SVR的混凝土中钢筋直径检测方法

传统钢筋混凝土检测方法通过线性拟合或标准值查表法只能对钢筋直径做大致估算,无法精确测量。针对钢筋直径检测中样本数据较少、检测结果受到钢筋埋深及相邻钢筋间距的影响而非表现出非线性回归变化的情况,提出了基于改进灰狼算法(Improved Grey Wolf Optimizer,IGWO)优化的支持向量回归机(Support Vector Regression,SVR)检测方法(IGWO-SVR)。首先,通过反向学习策略优化初始化种群分布,改善了灰狼优化算法(Grey Wolf Optimizer,GWO)的全局搜索能力,通过随机差分变异策略扩大狼群动态搜索范围,避免了灰狼优化算法陷入局部最优;然后,将改进后的灰狼优化算法应用于支持向量回归机的核心参数寻优,以改良算法模型的检测性能;最后,与另外3种算法模型的实验结果进行对比分析,结果表明了所提方法在钢筋直径检测中的精度以及优化模型与实际值的拟合度都得到了有效提升。

基于改进灰狼算法优化的支持向量机锌耗预测

为了提高生产镀锌板的锌锭需求预测精度,提出了一种基于改进灰狼(Improved Grey Wolf Optimization,IGWO)优化算法的支持向量机回归(Support Vector Regression,SVR)的锌耗预测建模方法。针对传统灰狼优化算法收敛快、易早熟的缺陷,首先采用混沌Tent映射策略初始化种群,增强种群的多样性和分布均匀性;其次引入控制参数的自适应调整策略,以平衡算法的搜索能力和开发能力;最后在位置更新过程中融合差分进化,降低算法误收敛的可能性。采用典型基准测试函数进行仿真实验,结果表明IGWO算法的综合性能优越,寻优能力更佳。基于某钢厂某机组的生产实际数据对锌锭消耗量进行建模预测,利用IGWO算法对SVR进行参数优化(IGWO-SVR),实验结果表明,IGWO-SVR具有更高的预测精度、更好的稳定性和更优的泛化能力。

灰狼算法优化分数阶模糊控制器参数

PID模糊控制在工业控制中是最广泛的一种控制方法,在一些复杂的实际系统中,应用分数阶PID模糊控制器在整定系统参数性能上优于整数模糊控制器。分数阶模糊控制器具有较多的控制参数,这些控制参数直接影响了模糊控制器的性能。用传统的算法校准分数阶模糊控制器并不能得到最佳的参数值,而且标定参数的过程较为复杂。因此提出用灰狼优化算法(Grey Wolf Optimizer,GWO)优化分数阶模糊控制器的参数。将基于灰狼优化算法的分数阶模糊控制器优化方法与其他五种典型的基于群智能的优化方法进行了比较。实验结果表明,该方法的控制效果更好。

基于灰狼算法优化DBN的医院网络异常流量识别

为了提高医院网络异常流量识别的精度,提出一种基于灰狼算法优化DBN的医院网络异常流量识别方法。针对DBN模型性能受权值和偏置参数的影响,运用灰狼算法对DBN模型的权值和偏置进行优化选择,将医院网络流量特征数据作为DBN模型的输入向量,网络异常流量的类型作为DBN模型的输出向量,建立GWO-DBN的医院网络异常流量识别模型。研究结果表明,GWO-DBN进行医院网络异常流量识别具有更高的准确率、检测率和更低的误报率。

基于改进灰狼算法优化SVR的航天侦察装备效能评估

定量评估航天侦察装备效能是武器装备体系建设的重要环节之一,对装备发展和作战应用具有重要的现实意义。针对评估样本数据少、效能在多指标因素影响下变化规律非线性等条件下的效能评估问题,提出一种基于改进灰狼(improved grey wolf optimizer,IGWO)算法优化的支持向量回归机(support vector regression,SVR)评估方法(IGWO-SVR)。引入反向学习策略及余弦非线性收敛因子改进灰狼优化算法收敛性能及全局寻优能力,并将其应用于基于支持SVR效能评估参数的优化。基于航天侦察装备特点,构建评估指标体系及航天侦察装备效能评估模型。最后,通过对一定作战想定背景下航天侦察装备效能进行仿真评估,验证了所提方法的合理性及优化模型的有效性。

灰狼算法优化BP神经网络的图像去模糊复原

为了解决传统复原算法在退化图像复原过程中过度依赖先验知识弊端,提出利用BP神经网络学习和泛化能力强的优点进行退化图像复原研究。首先,采用BP神经网络进行退化图像的复原研究。然后,针对BP神经网络在学习过程中由于对网络初始值的过度依赖导致网络收敛速度慢、易于陷入局部极小值的缺点。提出利用灰狼优化算法的全局搜索能力对BP神经网络的初始参数进行优化,并利用改进收敛因子与动态权重指导种群移动的方式对灰狼算法进行改进。实验表明,本文提出的改进灰狼算法优化BP神经网络复原方法与维纳滤波算法、L-R复原算法、BP神经网络和PSO-BP神经网络等复原方式相比,收敛速度和复原精度方面得到大幅度提高,在客观的评价标准结构相似度与峰值信噪比方面都获得较好的数值结果。

基于灰狼算法优化支持向量机的变压器故障诊断

针对变压器故障诊断准确率不高的问题,本文提出一种基于灰狼算法(GWO)优化支持向量机(SVM)的变压器故障诊断模型。对比分析灰狼优化算法、粒子群算法、网格寻优算法建立GWO-SVM模型、PSO-SVM模型、Grid-Search-SVM模型,并用仿真软件MATLAB进行验证分析,结果证明GWO-SVM模型比PSO-SVM模型、Grid-Search-SVM模型在变压器故障诊断中具有更高的故障诊断准确率。