基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。

一种基于BP神经网络群的自适应分类方法及其应用

本文针对基于BP神经网络的分类系统 ,提出了神经网络群的概念 ,在此基础上给出了一种系统自适应增长算法 ,使得在新的目标类型加入时系统结构能够自适应调整 .验证结果表明 ,该算法可以在增加新的目标类型时简化系统结构的调整过程 ,缩短重新训练网络所需要的时间 。

基于进化规划的神经网络群的设计方法

提出一种基于进化规划的神经网络群的自动设计方法.该方法不仅使得神经网络群中的个体网络倾向于完成不同的子任务,同时各神经网络个体在进化过程中不断寻找最好的协作关系,而且神经网络群的规模和结构不需预先设定.仿真试验表明,该算法是有效的.

一种基于皮层柱侧抑制机制的神经网络群

建立了一种基于皮层柱侧抑制机制的神经网络群,模拟大脑皮层柱的神经元点火现象,并利用该神经网络群进行位置跟踪.采用Stein神经元构建神经网络群;将皮层柱的侧抑制机制应用于神经网络群编码、解码,实现神经网络群的负相关点火,并从理论上证明负相关点火的优越性.仿真实验结果表明,皮层柱侧抑制机制的应用大大提高了位置跟踪精度以及系统稳定性.

基于BP神经网络群结构的风电场短期风速预测

在混沌相空间重构理论的基础上,利用神经网络自学习、自组织和自适应能力,建立神经网络群结构,对短期风速进行组合预测。将相空间重构理论与BP神经网络相结合,作为子网模型,子网由单独BP神经网络预测输出,形成总的拟合网络的训练样本,经典的3层BP神经网络作为最终总的拟合神经网络模型。经过实际算例分析,发现采用神经网络群结构进行预测,预测精度与子网单独预测相比有所提高。这表明本文提出的神经网络群结构可以达到各个子网优势互补,提高预测精度的效果。

一种基于IF模型侧抑制神经网络群的PITS学习算法

构建了一种基于IF模型的侧抑制神经网络群,用以实现位置定位.采用基于H-H模型简化的IF模型构造神经网络群并基于概率密度分布进行位置定位.在神经网络群学习过程中,运用PITS(progressive interactive training scheme)方法进行参数学习,利用信息中心(IC)储存每次训练的结果,在保证输出收敛的情况下,比较跟踪结果的误差函数给出权值调整公式进行自学习.实验结果表明:基于IF模型构建的神经网络群可以实现位置定位.采用H-H模型简化的IF模型提高了学习效率和定位速度;运用PITS算法进行参数学习提高了定位精度.

基于粒子群优化BP神经网络PID的供热控制系统仿真研究

供热系统技术属于清洁技术,但其能耗非常大,因此在供热系统中能源的损耗问题就显得尤为重要。与此同时,我国供暖过程多数是用传统PID对供暖系统进行控制,由于传统PID控制响应时间长、超调量高且受外界影响较大,造成能源未充分利用、浪费现象严重。因此针对此问题,提出了在供暖系统中采用一种基于粒子群优化BP神经网络PID的控制策略,不仅可以解决供暖时水温不稳定、水温上升时间长等问题,而且可以更好地解决能源未充分利用问题。本文建立供热系统的数学模型,然后利用Matlab中的Simulink设计并仿真粒子群BP神经网络PID控制器。实验结果表明,改进后的PID控制器抗干扰能力强且具有较好的鲁棒性,对供热控制系统有更好的控制效果。

响应面和粒子群-人工神经网络模型优化微波辅助提取赤芍总苷工艺

以赤芍(Paeoniae Radix Rubra)为原料,建立单因素-Box-Behnken试验,探究微波功率、提取时间、提取次数、乙醇浓度和液固比对赤芍总苷提取量的影响,并评价提取物的体外抗氧化活性。通过建立响应面模型和粒子群-人工神经网络模型对微波辅助提取赤芍总苷的工艺进行优化。结果表明:响应面模型和粒子群-人工神经网络模型的决定系数R2分别为0.9099和0.9925,表明粒子群-人工神经网络具有更好的预测能力。采用粒子群-人工神经网络模型优化提取工艺条件:乙醇浓度81%、液固比30 mL/g、提取时间22 s、提取5次、微波功率420 W,在此条件下,赤芍总苷的提取量为378.977±1.982 mg PE/g d.w.;赤芍苷提取物(100μg/mL)对DPPH自由基和ABTS+自由基的清除率分别为87.61%和80.74%,接近阳性对照。提取物还具有一定的还原能力。本研究结果为优化提取工艺提供了新的方法,也为赤芍有效成分作为添加剂的应用提供了理论基础。

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。

改进粒子群-BP神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群算法(MPSO),并与BP算法相结合,形成改进的粒子群—BP(MPSO-BP)神经网络算法,用此算法训练神经网络,实现了神经网络参数优化,得到了基于MPSO-BP算法的神经网络模型。综合考虑气象、天气、日期类型等影响负荷的因素,进行电网短期负荷预测。算例分析表明,与传统BP神经网络法和PSO-BP神经网络方法相比,该方法改善了BP神经网络的泛化能力,预测精度高,收敛速度快,对电力系统短期负荷具有良好的预测能力。

蚁群神经网络算法在电动车用直流电机起动过程中的应用

电动车用直流电机控制器系统在电动车起动过程中具有非线性、快时变的特点,常规的比例-积分-微分(proportion-integration-differentiation,PID)控制方法很难满足系统非线性、参数摄动的要求,即使采用了前向神经网络算法进行PID整定,也由于结构复杂,训练速度慢等原因而很难满足实时控制的要求。于是提出了采用蚁群神经网络(ant colony algorithm neural network,ACANN)整定PID控制策略,用蚁群算法学习多层前馈(back propagation,BP)神经网络的权系,建立了基于该算法的BP神经网络训练模型,因而兼有了神经网络的广泛映射能力和蚁群算法的快速全局收敛以及启发式学习等特点,该控制策略可以补偿系统参数摄动、非线性和外界扰动对系统控制性能的影响,达到电动车平稳快速起动的目的。仿真和实验结果证明,该控制策略对电动车起动过程中电机起动电流的控制具有快速性、稳定性和鲁棒性。

基于蚁群神经网络的裂缝开合度预测模型

大坝裂缝开合度是体现大坝安全的重要参量。针对传统裂缝开合度预测模型的不足,提出了基于蚁群神经网络的裂缝开合度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高了学习速度,加快了收敛速度,缩短了训练时间,并通过实例验证了其拟合预报精度,说明该方法具有较强的实用性。

基于蚁群神经网络的泵车主泵轴承性能评估

针对BP神经网络、遗传神经网络等智能算法在机械设备关键部件的性能评估过程中训练收敛速度慢,且会遇到局部极小的问题,提出一种运用蚁群算法训练神经网络的权值和阈值的混合智能算法——蚁群神经网络.将蚁群神经网络应用于混凝土泵车主泵系统中主泵轴承的模式识别和性能评估.结果表明,蚁群神经网络能很好地解决收敛速度慢、局部极小的问题,提高了分类精度,展现了良好的应用前景.

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。

用改进粒子群神经网络混合算法优化特高压油气套管均压球结构

在我国特高压(ultra-high voltage,UHV)油气套管样机的试制过程中,套管尾部电场分布和均压球结构的优化是一项重要的研究内容。为此,详细介绍了改进粒子群神经网络混合算法(PSO-BP算法)的基本原理和流程,运用连续显式函数验证了该算法的寻优能力和准确度;并运用该算法对套管尾部均压球结构进行了优化。研究表明:PSO-BP算法能较准确地搜寻到显式函数的极值点,具有较强的挑出局部最优解的能力;需用套管3维全模型才能较准确地计算得出套管尾部的电场分布;PSO-BP算法能有效搜寻到均压球结构参数的最佳配置;优化后均压球表面的最大电场强度较优化前降低了约64.9%,且PSO-BP算法较传统PSO算法可节省约75.2%的计算时间。该研究结果已成功运用于特高压油气套管样机的试制并完成了全部型式试验。

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。

基于蚁群神经网络的LED灯管寿命预测

针对高可靠性、长寿命复杂产品的可靠性评估过程,在加速寿命退化试验数据的基础上,提出了一种基于试验数据驱动的自适应智能方法,并对某型LED灯管的寿命与可靠性进行预测分析。首先,通过指数模型拟合性能退化曲线,推算出各组应力条件下的伪失效寿命值;再将蚁群算法结合BP神经网络等智能算法应用于寿命预测模型的建立,根据试验证明寿命服从对数正态分布,且检验寿命必须满足置信度区间范围内;最后,预测出正常应力条件下LED灯管的工作寿命。结果表明,基于蚁群神经网络预测LED灯管寿命的方法,预测误差较小,收敛速度快,能够满足工程要求。

基于粒子群神经网络液压泵效率特性仿真分析

为了能够实现对液压泵效率特性的多点计算,深入地研究了粒子群神经网络在液压泵效率特性分析中的应用。首先,分析了液压泵效率特性的基本原理;其次,研究了RBF神经网络的基本原理;然后,剖析了改进粒子群的优化算法;最后,进行了液压泵效率特性试验测试和仿真分析结果比较,比较结果表明粒子群神经网络在进行液压泵效率特性计算时具有较高的计算精度和计算效率。

基于粒子群神经网络优化氢发动机点火提前角

提出了基于粒子群算法(PSO)神经网络构建氢发动机点火提前角的优化模型,对点火提前角进行优化控制。仿真和试验结果的对比研究表明:模型能准确地得出各工况所需的最佳点火提前角,且新的算法有效防止了神经网络陷入局部极小值和收敛速度慢等缺点,使其训练时间大为缩短,网络计算的实时性得到加强,具有一定的实用性和可靠性。

基于粒子群神经网络的供应商评价模型及应用

供应链管理成为当今的研究热点,能否选择合适的供应商成为供应链构建成败的关键,而供应商评价是这个选择过程的重要组成部分。本文比较了供应商评价的各种方法,在重点研究了BP神经网络算法的基础上,针对其训练速度慢和容易陷入局部极小点的局限性,提出了一种粒子群优化BP神经网络评价模型。通过实例用Matlab进行仿真,与传统的BP网络模型比较,得出粒子群神经网络在供应商评价中更加有效。