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。

神经网络中的粒子权重计算

讨论了将粒子信息存入神经网络的机制,以加速网络训练,提高清晰度,提出了语言权重的GNN及语言算法规则。GNN比标准BP网络需要少训练时间来学习已知问题,同时知识的表示更易于理解。

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。

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。

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。

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。

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。

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。

粒子群神经网络算法的RFID定位应用研究

目的探讨射频标签技术(Radio Frequency Tag Technology,RFID)在医疗设备管理中的应用。方法提出一种基于粒子群神经网络(Particle Swarm Optimization-Back Propagation,PSO-BP)的RFID定位算法。搭建实验平台,无源标签贴于卡片表面,模拟实际医疗设备,每个标签分配唯一设备编码。从3个角度测量实验区内各射频标签坐标所对应的信号强度(Received Signal Strength Indication,RSSI)值,对测量数据进行预处理。利用预处理后的实验数据,在既定的训练误差下,对PSO-BP模型进行训练,得到RFID读写器与标签之间"信号强度—坐标"的映射关系,通过训练后的PSO-BP模型对未知组的数据进行测试。结果基于PSO-BP的RFID定位算法,测量值与原始值间的测试误差度为达到毫米级。结论本算法将RSSI值与位置信息关联起来,规避了RSSI值转化距离时的参数值估计,提高了室内定位的精度。

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。

基于粒子群神经网络的逆变软开关弧焊电源恒流控制的研究

目前,在一定的工业生产中,要求逆变软开关弧焊电源具有精确、有效的控制。但传统中使用的的PID控制器的控制效果很难达到令人满意的程度。因此,采用粒子群神经网络算法,设计了具有自适应调整功能的PID控制器。通过对系统运行状态的在线学习,智能化地修正PID的三个输出参数,进而控制系统中逆变器的功率开关器件的导通时间,最终实现整个系统的恒电流输出控制。仿真结果表明:将粒子群神经网络算法运用到逆变软开关弧焊电源中,可使系统控制效果得到很大改善。同时使整个系统具有更好的自适应性和鲁棒性。

基于混沌粒子群神经网络的瓦斯浓度预测

通过定量法确定瓦斯浓度数据具有混沌特性,计算瓦斯序列的延迟时间和最优嵌入维数并对其相空间重构。在混沌分析的基础上结合人工神经网络技术,针对传统RBFNN模型参数确定的问题,提出通过粒子群算法对网络参数优化,建立了CT—PSO—RBFNN预测模型。利用实际煤矿监测数据对提出的模型训练预测,并与其他3种模型横向对比,得出性能排序为CT—PSO—RBFNN>T—PSO—RBFNN>CT—RBFNN>T—RBFNN。结果证明,CT—PSO—RBFNN模型预测精度高、预测误差小、性能稳定,能够为瓦斯灾害的预报预警提供一定技术支持。

基于粒子群神经网络的高技术企业技术项目选择研究

在对国内外相关文献梳理的基础上,将调查访问法和项目结构分解法结合起来,分别从企业内部现有的条件和资源禀赋以及整个行业与产业的外部环境找到影响高新技术企业选择技术项目的因素,构建高技术企业技术项目评估指标体系,采用粒子群神经网络的优化算法对高技术企业技术项目进行评估,并通过实例验证和比较各种算法。研究得出结论:此算法的收敛速度快、精确度高、泛化能力强,具有实用性和优越性。

粒子群神经网络在煤与瓦斯突出预测中的应用

煤与瓦斯突出是危害煤矿安全生产的主要因素,因此做好突出强度的预测具有重要的意义。将煤与瓦斯突出的综合影响因素作为特征向量,构建了基于粒子群优化的BP神经网络煤与瓦斯突出强度预测模型。实验结果表明,煤与瓦斯突出强度的预测值与实际值吻合度较好,该方法可有效地提高预测准确度,对实际生产具有一定的指导作用。

一种基于粒子群神经网络的容差模拟电路故障诊断方法

为了诊断模拟电路中的故障,在粒子群算法和BP神经网络的基础上,本文提出了一种动态加速常数协同惯性权重的粒子群算法和动量及自适应学习率的BP算法的混合算法训练神经网络权值,使得动态加速常数协同惯性权重的粒子群算法与动量及自适应学习率的BP算法相互补充,提高网络性能,克服了传统BP算法收敛速度不快的缺点。通过对容差模拟电路硬故障的诊断,表明该算法提高了网络的学习速度,能够实现对容差模拟电路硬故障的诊断。

改进粒子群优化BP神经网络粮食产量预测模型

综合考虑影响粮食产量的多种因素,运用改进的粒子群算法优化BP神经网络的初始权重,建立了适合小样本粮食产量的预测模型.实验表明,与BP神经网络粮食预测模型和PSO-BP神经网络粮食预测模型相比,该模型具有更高的预测精度和较大的适应度.

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型。采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型。为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性。