橡胶硫化中纳米碳酸钙粒子网络与交联网络的相互影响

用橡胶加工分析仪(RPA)分析硫化程度对未硫化天然橡胶(NR)的动态性能影响。结果表明,不同硫化程度的混炼胶储能模量随硫化时间的增加而增加,损耗因子降低,NR在0.8倍的正硫化时间(t90)时储能模量最大,损耗因子变化最小。交联密度(Mc)和ΔG′(ΔG′=G′max-G′min)的值随硫化时间的增加而增大,当体系Mc增大时,ΔG′也随之增大,说明交联网络和粒子网络存在相互作用。由扫描电镜(SEM)图可以看出,在0.8倍的正硫化时间,交联网络与粒子网络相互作用明显,进一步验证了粒子网络和交联网络之间的相互影响。

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。

基于牛顿力学和博弈论模型的粒子网络优化算法

为克服标准粒子群算法在求解高维TSP问题时求解精度不高、易陷入局部最优等不足,将每个粒子均赋予质量和加速度,利用泊松分布和牛顿第二运动定律动态调整粒子加速度,并将粒子维数以相似度划分为优势部分和劣势部分,正常更新时只对劣势部分进行相应处理,保持并扩大其优势部分以提高收敛速度,扰动时更新其优势部分以达到远离当前粒子网络的目的来跳出局部最优。当有粒子碰撞时,引入反向学习策略处理粒子,选择合适的降速模型来提高收敛速度。最后,将改进后的算法用于求解TSPLIB中的标准实例问题,并与经典算法进行比较。试验结果表明,提出的新算法在求解旅行商问题时具有高效率、低迭代次数及强收敛等特性。该结果可为智能算法在求解优化问题时提高精确性和加快收敛等方面的研究提供一定的参考。

基于K-近邻算法改进粒子群-反向传播算法的织物质量预测技术

为解决现有下机织物质量差异性较大且传统验布环节时间较长等问题,提出基于K-近邻(KNN)算法改进粒子群-反向传播(PSO-BP)算法的织物质量等级预测方法。首先分析织物质量预测模型,整理织物疵点类型与织物质量等级分类,并根据织物疵点特征将疵点划分为6类;其次选取14种影响织物质量的因子作为模型输入量;然后详细介绍依据KNN与PSO原理进行织物质量预测流程;最后以浙江兰溪某纺织厂近3个月16186条织物生产数据为例,建立织物质量预测模型。结果显示:该技术对织物质量预测的准确率达到98.054%,且训练时长仅需4.8 s,在保证织物质量预测准确性的同时,极大缩短了检测时间,提高了织造车间生产效率。

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。

原位自组装形成二氧化硅/十六烷基三甲基溴化铵纳米网络粒子

提出了以具有纳米尺寸孔径及孔壁厚度的MCM 48作为无机基体、以无机 有机原位自组装的方法形成纳米网络粒子 .研究结果表明 ,在一定实验条件下 ,有机相可进入无机相的三维孔道自组装形成立方有序结构的纳米网络复合粒子 .通过研究纳米网络粒子在极性介质和非极性介质中的分散发现 。

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。

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。

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。

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。

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。

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。

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。