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。

粒子群优化-人工神经网络两阶段优下的配电网柔性互联装置实时运行

基于电力电子器件实现的柔性互联装置可独立、连续调节有功和无功功率,具有提供无功支撑、调节潮流分布、平衡馈线负载、降低网络损耗等多种功能,已成为配电网发展的核心装置。为使其在配电网运行中充分发挥优势,对其实时运行优化问题开展了研究,提出了一种粒子群优化-人工神经网络两阶段方法:一阶段采用具有全局寻优能力的粒子群优化算法求解若干典型工况,构建训练集为人工神经网络提供数据支持;二阶段采用人工神经网络,可离线进行网络训练并在接收到待求解工况时快速在线求解。以一9节点配电网络为算例,验证了柔性互联装置的调节效果,以及所提方法的准确性与快速性。

人工神经网络优化油莎豆油亚临界萃取工艺

为优化亚临界丁烷萃取脱皮油莎豆油工艺,采用单因素试验确定因素水平,中心复合表面设计(CCF)安排寻优试验,在此基础上分别构建了响应面(RSM)和反向传播人工神经网络(BP-ANN)模型,运用粒子群算法(PSO)对BP-ANN模型进行优化,并对RSM和PSO-BP-ANN模型的寻优结果进行了比较。结果表明,RSM模型优化的萃取条件为:料液比(脱皮油莎豆∶丁烷)1∶10.36 g/mL、萃取时间45 min、萃取温度30℃、坯料厚度0.5 mm;PSOBP-ANN模型优化的萃取条件为:料液比1∶10.67 g/mL、萃取时间40.10 min、萃取温度34℃、轧坯厚度0.5 mm。在最佳条件下,RSM模型预测提取率为91.63%,验证值为94.27%,相对误差2.56%;PSO-BP-ANN模型预测值为95.58%,验证值为95.14%,相对误差0.46%。采用人工神经网络耦合粒子群算法(PSO-BP-ANN)优化油莎豆油亚临界萃取工艺,具有提取率高、相对误差小等优势。本研究可为亚临界萃取技术在油莎豆油高效制取中应用提供参考。

基于人工神经网络的沿海地区底泥盐度计算模型

底泥盐度与海洋科学、河口研究、环境管理等密切相关,现有的底泥盐度计算公式存在精度不足、适用性有限等问题。为此,开展了271组室内试验和10组户外试验,整合了其他学者的研究数据,以底泥电导率、泥沙浓度、温度和细颗粒表面系数为模型输入变量,分别建立了用于计算沿海地区底泥盐度的反向传播人工神经网络(BP-ANN)模型、粒子群优化的反向传播人工神经网络(PSO-BP-ANN)模型、结合遗传算法的反向传播人工神经网络(GA-BP-ANN)模型。与现有的底泥盐度计算公式相比,新建模型的精度更高,可为沿海地区底泥盐度的确定提供更多可供选择的预测方法。

基于人工神经网络的光伏充电桩有序充电控制系统

为了节约用户充电成本,保证单位时间内充电车辆数量,设计基于人工神经网络的光伏充电桩有序充电控制系统。在微控制器模块中,基于FPGA设计一种微控制器作为系统发挥控制功能的硬件。设计粒子群算法与极限学习机相结合的区域电动汽车充电短期负荷预测模型,实施电动汽车短期负荷预测。测试结果表明,该系统的短期负荷预测结果与实际负荷结果相近,在系统控制下,用户充电成本得到较大幅度地降低,同时电动汽车充电车辆数量有所提升。

基于人工神经网络-粒子群优化法的灯盏花缓释微丸处方工艺优化研究

目的:优化灯盏花缓释微丸处方工艺。方法:应用人工神经网络映射缓释微丸处方工艺过程变量与因变量之间的关系,并结合粒子群优化法筛选处方工艺参数。结果:依据优化处方工艺参数制备的微丸缓释效果明显,微丸中药物释放属扩散与骨架溶蚀协同作用机制。结论:人工神经网络建模结合粒子群优化法为解决制剂处方工艺涉及的多维复杂非线性系统的优化问题提供了有效的途径。

粒子群算法优化的人工神经网络预测Ni-Fe合金镀层的性能

建立了粒子群算法优化的人工神经网络预测模型。以工艺参数为输入变量,以单因素试验得到的Ni-Fe合金镀层的性能指标为输出变量,将粒子群算法优化的人工神经网络预测模型的预测结果与传统BP神经网络预测模型的预测结果进行了比较。结果表明:粒子群算法优化的人工神经网络预测模型具有更高的预测精度。通过建立模型得到了各个工艺参数对Ni-Fe合金镀层性能指标的评价指标权重。当电流密度为1.0～1.5A/dm2、镀液温度为45℃、搅拌速率为1 000～1 200r/min时,Ni-Fe合金镀层的表面粗糙度和腐蚀速率均处于较低水平。

基于平均线性粒子群算法的人工神经网络在径流预报中的应用

人工神经网络具有很强的非线性处理能力,能够有效地模拟复杂的非线性径流预报过程。传统的基于BP训练算法的人工神经网络具有训练时间较长,容易陷于局部最优值等缺陷,本文对训练算法加以改进,分别使用平均线性粒子群,粒子群和BP算法来优化人工神经网络的各项参数,首先使用标准函数测试了3种算法的全局优化性能,然后用它们对三峡水库的入库径流进行预报,以比较它们的预报性能。结果表明,在3种算法中,平均线性粒子群算法全局寻优的速度最快,稳定性最高,基于平均线性粒子群算法的人工神经网络的径流预报的精度也最高。

基于人工神经网络和粒子群优化的初期雨水调蓄池设计方法研究

城市地表径流所产生的非点源污染是城市水系水质恶化的主要原因,设置初期雨水调蓄池是缓解地表径流污染最经济有效的手段之一。目前,初期雨水调蓄池一般采用经验方法设计,没有考虑汇水区污染物累计特性、污水处理厂处理规模、可用征地等客观条件,初期雨水调蓄池的截污效果有限。本文利用SWMM模型模拟分析了地表径流污染物累积特性,利用人工神经网络得到各调蓄池不同截污率与对应总截污量之间的高精度非线性数学模型;结合该模型,以调蓄池总截污量最大为优化目标,以污水处理厂处理规模和可用征地为约束条件,采用粒子群优化算法得出各调蓄池的优化截污率;结合各调蓄池截污率与径流量累积量之间的关系,得出各调蓄池的设计容积,并与国内常用的设计方法进行对比。分析表明,本文提出方法可在满足约束条件下实现截污效果最大化,采用本文提出方法设计的调蓄池在土地使用率和截污效果上均优于规范设计法。该方法合理、高效和适用范围广,可为城市初期雨水调蓄池设计提供技术支撑。

人工神经网络及粒子群优化算法在跟驰模型中的应用

在车辆跟驰现象中,驾驶员-车辆系统可视为一个非线性的动态系统,而人工神经网络(ANN)是开发非线性系统模型的有效工具,采用ANN技术建立了车辆跟驰模型,开发了基于粒子群优化(PSO)算法的ANN训练算法。测试结果表明,基于神经网络的跟驰模型比传统模型具有更强的鲁棒性,基于PSO算法的ANN训练方法能够避免陷入局部最优。

基于量子行为粒子群优化–人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization,QPSO)的改进算法,用于优化人工神经网络(artificial neural network,ANN),实现电能质量(power quality,PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。

粒子群小波人工神经网络组合模型的径流预测

为了克服传统径流过程预测容易产生累积误差的缺点,提高径流预测精度,提出了一种基于粒子群小波人工神经网络组合模型的月径流过程预测算法,该算法具有原理简单、实用性强等特点。将该算法用于预测某电厂月径流过程计算,结果表明,其预测结果精度高,可为水电厂提供可靠的入库径流,对水电厂制定合理的运行方式有重要作用。

人工神经网络结合粒子群优化算法优化不同产地广藿香挥发油提取工艺

目的优化不同产地广藿香挥发油的提取工艺。方法以挥发油提取率为评价指标,构建反向传播人工神经网络模型,应用粒子群优化算法优化云南曲靖、广东化州产地的广藿香挥发油提取工艺。结果人工神经网络结合粒子群优化算法(ANN-PSO)优化的云南曲靖广藿香挥发油提取工艺为料液比1∶9、提取3.5 h、提取3次,提取率为1.98%,与预测值2.06%接近,高于正交试验结果(1.60%);广东化州广藿香挥发油提取工艺为料液比1∶3、提取时间4.5h、提取3次,提取率为2.46%,与预测值2.53%接近,高于正交试验结果(1.82%)。结论ANN-PSO可用于优化广藿香挥发油提取工艺。

采用改进粒子群算法与人工神经网络相结合的车辆转向控制研究

为了提高车辆转向控制系统输出精度,改善车辆行驶的稳定性,提出了改进人工神经网络PID控制器.创建车辆平面参考模型简图,建立车辆运动参数的数学关系式,推导出车辆横摆角速度的动力学方程式.在传统PID控制器基础上,结合人工神经网络模型,采用改进粒子群算法对人工神经网络PID控制器进行在线优化,动态调整PID控制器参数,实现车辆转向控制系统的最优输出,在不同工况路面进行车辆横摆角速度仿真实验.结果表明:采用改进人工神经网络PID控制器,不仅可以提高车辆转向控制系统的响应速度,而且输出的摆动角速度误差较小.车辆在复杂工况路面行驶,其转向系统采用改进人工神经网络PID控制器,有利于提高车辆行驶的稳定性.

改进的粒子群优化算法结合人工神经网络用于有机物毒性的QSAR研究

介绍了粒子群优化算法和Alopex-B算法的基本原理,提出了一种用Alopex-B算法改进的粒子群优化算法,并将其应用于函数优化和有机物毒性的QSAR研究。结果表明:改进型粒子群算法对复杂的测试函数搜索效率明显提高,应用于有机物毒性的QSAR研究能提高计算的精确度,降低预测误差。

带蜂群策略的粒子群算法训练人工神经网络研究

提出一种带蜂群策略的粒子群优化算法,并将算法应用于神经网络训练。将蜂群优化算法中引领蜂和观察蜂的收益评价与贪婪选择策略以及侦察蜂的探索新解策略引入到粒子群优化算法中。粒子在飞行时,按维度对粒子速度和位置进行更新,根据对收益的评价,只接收能够提高解适应值的位置,从而加快了收敛速度;如果粒子多次迭代均无法改进解,则在解空间中随机搜索新的位置,增强算法跳出局部极值的能力。在求解异或问题、奇偶校验和编码解码问题的神经网络上进行了仿真,结果表明,该算法优于BP算法、粒子群优化算法和蜂群优化算法。

线性递减权重粒子群优化人工神经网络算法的光伏系统谐波检测

提出了一种改进的人工神经网络(ANN)算法,利用线性递减权重粒子群优化算法(LDWPSO)来调节ANN各层的权重值,得到收敛最小时的权向量,计算谐波相角,实现对谐波的检测。仿真结果表明,线性递减权重粒子群人工神经网络算法(ANN-LDWPSO)具有高控制精度和快收敛速度,并能准确地检测电网谐波,从而验证了算法的可行性和实用性。

基于改进粒子群优化神经网络的拖拉机排放方法研究

针对农用拖拉机排放污染严重的问题,特别是限制氮氧化物(NO_(x))和碳烟(Soot)的排放,以中国一拖集团某型号农用柴油机为研究对象,采用系统建模仿真、台架试验验证和仿真分析结合的方法对发动机排放优化进行了研究。首先构建了农用拖拉机燃烧室三维模型并导入CONVERGE进行燃烧排放模拟与仿真,通过对模型缸内压力、热释放率试验值与仿真值的对比,证明该模型具有较高精确度,能够较好地描述发动机内部燃烧排放过程。之后以燃烧室的缩口率、凸台深度、燃烧室深度为输入,以发动机NO_(x)和Soot排放量为输出建立人工神经网络作为代理模型。计算决定系数R^(2)和平均相对误差(MRE)来验证人工神经网络的精确度。然后在此基础上提出一种改进的粒子群优化算法,从而获得燃烧室缩口率、凸台深度、燃烧室深度的最佳参数组合,形成新的燃烧室结构并导入CONVERGE软件中进行排放模拟计算并与原燃烧室的排放量进行对比。结果表明采用新的燃烧室结构后能够降低发动机NO_(x)和Soot排放,可为相关农用拖拉机燃烧室系统设计和开发提供参考和思路。

粒子群优化人工神经网络的RFID室内定位算法

结合射频识别(RFID)技术具有低成本和高精度的特点,提出了一种基于粒子群优化(PSO)的人工神经网络(ANN)方法。采用PSO优化ANN的权值与阈值,避免了传统ANN预测结果易陷入局部最优的缺点,并建立了标签信号强度值与位置坐标的关系。同时采用了高斯滤波处理信号强度值,以减少环境因素对信号的干扰,从而提高定位精度。实验结果表明:与传统ANN相比,提出的方法平均定位误差减少了11. 72 cm,且算法稳定性更好。

基于人工神经网络和粒子群优化算法的宏观经济预测研究

针对经济问题分析的复杂性以及人工神经网络在解决非线性问题表现出来的优势,本文建立了人工神经网络模型,通过对国内生产总值与其影响因素之间关系的分析来对未来经济形势进行预测。在建模的过程中利用粒子群优化算法优化神经网络模型的权值和阈值。通过对有关样本数据进行计算,得到了满意的结果,说明文中提出的方法比较可行。