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。

基于改进型粒子群优化算法的BP网络在股票预测中的应用

本文提出了基于改进型粒子群优化的BP网络学习算法。在该算法中,首先改进了传统的BP算法,有效地使得网络中输入层、隐含层和输出层结点个数达到一个最优解。然后,用粒子群优化算法替代了传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点,并将该算法应用在了股票预测的应用设计中。结果证明:该算法能够明显减少迭代次数,提高收敛精度,其泛化性能也优于传统BP算法。

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。

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。

基于粒子群优化算法的PSO-BP海底声学底质分类方法

利用粒子群优化算法(PSO)较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。

基于粒子群-BP神经网络的陀螺温漂建模

针对哥氏振动陀螺的温漂问题,本文采用基于粒子群的BP神经网络算法对压电振动陀螺的温度漂移现象进行建模,并在算法中加入高斯噪声干扰;相对于传统的单BP神经网络算法,含有噪声的粒子群—BP神经网络算法,在精度和收敛速度两个方面有了较大提高,所构建的温漂模型具有更好的非线性描述能力,从而能为哥氏振动陀螺提供了更高精度的零电位误差补偿。

基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSSDR13的150000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u,g,r,i,z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法(GA)优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法(PSO)不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络(PSO-BP)。实验中将光谱红移作为期望值,采用均方差(MSE)作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.00192,GA-BP网络的MSE值0.001728,PSO-BP网络的MSE值为0.001708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻(KNN)测光红移估计算法,克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。

基于PSO与BP神经网络的脱机手写体汉字识别算法

汉字识别的算法研究是模式识别中的热点课题。文章针对脱机手写体汉字提出了一种用PSO算法优化BP神经网络的脱机识别算法。关于BP算法在训练时易出现局部极小化的现象,PSO算法可通过大空间内的搜索能力,在全局中优化BP算法。文章基于粒子群算法优化BP神经网络(PSO-BPNN)研究脱机手写体汉字识别算法,通过Matlab软件对样本数据进行分类仿真。结果表明,PSO优化后的算法具有较高的收敛速度和稳定性,对手写体汉字的识别具有较强的能力。

基于连续小波变换耦合CARS算法的冬小麦冠层叶片含水量估算

为实现干旱地区冬小麦冠层叶片含水量的快速测定,以陕西省乾县为研究区,基于野外冬小麦冠层高光谱数据和实测叶片含水量,对原始光谱进行连续小波变换(continuous wavelet transform,CWT)后得到的小波能量系数与实测含水量进行相关性分析;并通过竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)过滤冗余变量,筛选与叶片含水量相关性较好的波长变量,作为优选变量集;通过粒子群算法(particle swarm optimization,PSO)对BP神经网络模型进行优化,构建冠层叶片含水量预测模型并进行分析。结果表明,从尺度1到尺度10,小波系数与冬小麦叶片含水量整体相关性先升后降,中等分解尺度在光谱波段去除噪声、提高相关性方面最佳;基于CARS优选变量集所建的两种模型中,BP-PSO模型预测能力明显优于普通BP神经网络模型,其决定系数可达0.82,均方根误差为0.86%,相对误差为0.82%。这说明CWT-CARS-BP-PSO耦合算法在提升相关性、过滤冗余波段、提高模型预测精度方面效果显著,可用于冬小麦叶片含水量预测。

汽车制动系统可靠性预测的模糊神经网络研究

计时传统模糊神经网络算法在汽车制动系统(ABS)可靠性预测中存在预测精度不高、误差较大等问题,提出了一种基于优化隶属函数的改进模糊神经网络算法。采用偏移优化方法对模糊控制算法的隶属函数进行改进;引入粒子群算法进行自适应惯性权重的寻优能力、收缩因子的收敛速度优化;最后与模糊神经网络算法融合,调整原算法的中心值、宽度值和连接权值,避免原算法在汽车制动系统可靠性预测中陷入局部最小值。仿真实验表明,改进的模糊神经网络算法具有比传统神经网络算法和模糊控制算法更小的预测误差。

五种智能算法解决最大割问题分析与比较

最大割问题（Max—eulProblem）是一个典型的NP难组合优化问题。文章采用遗传算法、分布估计算法、Hopfield网络方法、蚁群算法、粒子群算法等5种算法对最大割问题进行求解，并用标准的多个不同规模最大割测试数据进行测试，研究各参数对算法的影响，并比较各种算法的时间复杂度和空间复杂度。测试结果表明该五种算法虽然在执行效率上有差异，但都能较好的解决最大割问题。

基于RBF算法的探空湿度太阳辐射误差预测

针对传统BP神经网络算法预测的探空湿度太阳辐射温度误差偏大的问题,基于南京大桥的GTS1-2湿度传感器及其防雨帽模型,采用计算流体动力学(CFD)软件,通过PRO/E建模、ICEM划分网格及FLUENT仿真,以高空实际探测中典型气压、太阳高度角和太阳辐射量为变量仿真出2530组温度误差的数据样本。数据样本通过BP,PSO-BP,GA-BP,RBF神经网络算法进行优化对比,最终采用RBF神经网络算法构建预测模型,可预测出不同环境下探空的湿度太阳辐射温度误差,且预测出的温度误差最小。

基于VMPSO-RBF神经网络的话务量预测

为了更快速、准确地预测话务量,提出了速度变异的粒子群算法(VMPSO),并与RBF算法相结合,形成速度变异的粒子群—RBF(VMPSO-RBF)神经网络算法,并且来训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与RBF神经网络方法和PSO-RBF神经网络方法相比较,该文提出的方法预测精度更高,收敛速度更快。

PSO优化LSTM时间序列的桥梁变形预测

针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低,预测效果能力弱等问题,利用粒子群算法(PSO)对LSTM模型的参数进行优化,提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明:与LSTM模型和反向传播(BP)神经网络模型进行对比分析,在拟合能力方面等具有改进效果,所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。

光伏充气膜温室自跟踪发电系统发电量预测

针对光伏充气膜温室自跟踪发电系统提出了一种加入天气预报信息的自适应变异粒子群神经网络的发电量预测算法。首先结合历史发电量数据和气象数据分析了影响光伏充气膜温室自跟踪发电系统发电量的主要因素,建立了加入天气预报的神经网络预测模型,并针对传统神经网络预测模型中基于梯度下降的BP算法收敛慢、易陷入局部最优、训练难收敛等问题,通过自适应变异粒子群算法改进了神经网络。该算法通过将变异环节引入粒子群优化算法,进行隔代进化找到局部最优解。实验结果表明所采用的自适应变异粒子群的神经网络预测算法的全局收敛性能得到了显著提高,能有效避免粒子群优化算法中的早熟收敛问题。

BP-PSO优化改性凹凸棒土吸附Pb(Ⅱ)条件及其机制研究

为探究Keggin离子改性凹凸棒土对Pb(Ⅱ)的吸附性能及获得Pb(Ⅱ)最大去除率,采用响应面(RSM)及反向传播神经网络结合粒子群算法(BP-PSO)对去除条件进行优化,利用X射线光电子能谱仪表征、动力学、等温吸附及热力学研究对吸附机理进行探讨,采用可渗透反应墙对Pb(Ⅱ)去除进行动态模拟。XPS表征结果显示Pb(Ⅱ)被吸附到改性土表面,该吸附过程并未发现氧化还原反应。RSM优化下,预测和实际Pb(Ⅱ)最大去除率分别为83. 85%和81. 24%,相对应的去除条件:反应时间为50. 02 min、初始Pb(Ⅱ)浓度为150 mg/L、温度为20℃及初始p H值为7。BP-PSO优化下最大去除率为85. 68%,对应的实验条件:温度为20℃,反应时间为52. 28 min,初始Pb(Ⅱ)浓度为250 mg/L,初始p H值为7,在此条件下验证实验值为84. 41%。BP-PSO更合适用于优化改性凹凸棒土吸附水溶液中Pb(Ⅱ)。改性凹凸棒土对Pb(Ⅱ)的吸附为吸热、自发及熵驱动的过程。可渗透反应墙中对Pb(Ⅱ)去除率的去除效果不理想。

基于改进的路网聚类结合PSOWNN的交通流预测

针对城市路网交通流数据的空间相关性、非线性和平稳与非平稳的特点,提出一种采用基于交通流量数据相关性分析改进的路网聚类算法与基于交通流量分段加权适应度函数的粒子群小波神经网络算法(MC-MPSOWNN)相结合的预测方法,来提高算法的预测精度.首先,利用基于交通流量数据相关性分析的路网聚类算法筛选出空间中与预测点交通流量数据相关系数高的其他观测点,以此精简了样本输入数据,减少冗余数据对预测精度的干扰,提高整体预测精度;其次,再构建一种新型的粒子群算法的适应度函数,给予整体预测样本中非平稳数据段更大的调节力度,以此来进一步提高非平稳数据段的预测精度.最后经实验结果分析,提出的改进预测算法相比未进行改进前预测算法而言,明显提高了整体及非平稳数据段预测精度,达到较好的预测效果.

基于关联监测点数据的非线性变形预测模型

基坑边坡变形具有非平稳性、非线性等特点,且现有的变形预测模型常用单个监测点或整体监测点的数据进行预测,忽略了不同监测点之间的关联性。以重庆某深基坑边坡为例,分别研究基于单个监测点数据和基于关联监测点数据的经验模态分解-粒子群优化算法-BP神经网络(EMD-PSO-BPNN)模型、PSO-BPNN模型、BP神经网络模型的预测结果,并对比了基于整体监测点中非关联多点数据的预测结果。结果表明:EMD模型降低了基坑边坡变形数据非平稳性,使得各分量变化曲线比原监测数据的曲线更光滑和平稳,提高了预测精度;EMD-PSO-BPNN模型具有较好的非线性映射能力、学习能力和自适应能力,预测精度优于其他模型;同种模型下,基于关联点的预测模型预测精度明显高于单个监测点的预测模型。

基于BP-PSO的霍尔位移传感器的温度补偿研究

温度对霍尔传感器的灵敏系数有严重影响,因此霍尔传感器测量位移时的电压输出会随着温度的改变而发生变化。为减小测量误差,需要对霍尔传感器进行温度补偿。首先采用粒子群优化的BP神经网络算法(BP-PSO)建立被测位移与霍尔位移传感器输出电压和工作环境温度的关系,其次依据该算法求出融合后的数据,最后依据通过BP-PSO算法融合后的数据分析温度灵敏度系数和相对误差。研究结果表明,经过温度补偿算法后温度灵敏度系数提高了一个数量级,相对误差也得到相应改善,成功实现了通过补偿算法减小温度对霍尔传感器的影响。