基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。

一种基于分子动理论的改进粒子群优化算法

提出了一种新颖的基于分子动理论的粒子群优化算法(MMT-PSO)。类比于物理学中质心的概念本文定义了群质心,MMT-PSO把种群中的每个粒子类比成分子,根据粒子与种群目前的质心之间的距离远近,粒子与质心间的分子作用力控制粒子的飞行方向以决定其是朝着群质心的方向飞行还是远离它,从而有效地协调了种群的多样性,使算法能够有效地平衡全局和局部搜索。通过解决典型的多峰、高维函数优化问题来证实算法的有效性,实验结果表明MMT-PSO比标准PSO具有更高的性能。

群目标跟踪关键技术研究进展

群目标具有结构固定、运动模式特殊等特点,并且数量规模较大、空间分布密集、互相遮挡现象严重,采用传统的多目标跟踪算法对其进行跟踪会出现错误关联甚至失跟的现象。介绍了3种比较典型的群目标跟踪思路,即中心类跟踪算法、基于随机有限集的算法以及群扩展状态的估计算法,对目前的研究成果进行了分析和总结。最后,基于现有理论以及相近领域先进技术的发展,讨论了群目标跟踪的发展趋势。

群目标等效量测形成算法研究

群目标作为多目标的一种特殊形式，实现跟踪的关键问题之一是要得到对其的等效量测。为此，提出了形成群目标等效量测几何中心、质心和重心的3种方法。给出了求解群目标几何中心、质心和重心的算法；阐述了以群目标几何中心、质心和重心为等效量测的跟踪原理和适用范围；得出了3种算法均能有效地形成群目标的等效量测，且适用于不同战术环境的结论。

弹道导弹防御中的群目标跟踪算法

针对传统群目标质心跟踪算法不能提供群内单个目标的精确航迹信息的缺点,提出了一种基于多假设思想的群目标跟踪算法。该算法除维持群以外,利用多假设处理复杂数据关联问题的能力,将对群中的单个目标形成航迹,并对箔条干扰、有源干扰等极端情况进行了处理,保证跟踪的稳定性。通过实验对该算法进行了验证,结果表明该算法能对群内相互靠近的目标进行精确跟踪,在密度为1×10-6个/m2的杂波环境下也能保持跟踪稳定性。

基于群目标几何中心的群起始算法研究

针对群目标跟踪中群起始的特殊性,阐述了群起始的作用与意义,描述了群起始现有的K-方法和集群引晶方法的基本方法、步骤及存在的问题。在此基础上,给出了群起始的定义,提出了基于群目标几何中心的起始算法。该算法首先根据监视区域内多目标回波的空间距离进行分群检测预处理,在完成分群检测后再求解每个群目标的几何中心,然后确定该门限区域内的目标回波相对于几何中心的权值,最后构建出等效量测即群目标质心,从而实现了群目标快速、稳定的群起始。仿真结果证明了该算法的有效性。

分子动理论的新型反向差分演化算法

提出一种新颖的分子动理论的反向差分演化算法.该算法把种群类比为分子系统.本文中引入了分子作用力的概念,同时类比于物理学中质心的概念本文定义了群质心.该分子作用合力控制粒子运动的方向.当粒子与质心间的距离比较近时,粒子远离质心,而在粒子离质心距离比较远时,粒子向质心方向飞行.同时应用了反向学习操作促使演化生成过程的跃变,从而使算法具有较高的收敛速度和较好的种群多样性.本文算法与其他算法进行比较.实验结果证实了新算法的高效性、通用性和稳健性.

基于AMCQPSO的测试流程优化方法研究

测试流程的优化是测试性方案优化工作的开始,关系到整个测试性设计的好坏。针对现有优化方法的不足,提出带自适应变异的质心量子粒子群算法(AMCQPSO),为粒子群增加质心粒子、建立收缩扩张系数的自适应调节机制,并且引入变异因子,提高算法收敛速度的同时,增强了全局搜索能力,有效地避免了"早熟"现象。最后通过实例验证了算法的有效性,能够实现测试流程的优化。

Improved Algorithm for Distributed Localization in Wireless Sensor Networks

Many sensor network applications require location awareness,but it is often too expensive to equip a global positioning system(GPS) receiver for each network node.Hence,localization schemes for sensor networks typically use a small number of seed nodes that know their locations and protocols whereby other nodes estimate their locations from the messages they receive.For the inherent shortcomings of general particle filter(the sequential Monte Carlo method) this paper introduces particle swarm optimization and weighted centroid algorithm to optimize it.Based on improvement a distributed localization algorithm named WC-IPF(weighted centroid algorithm improved particle filter) has been proposed for localization.In this localization scheme the initial estimate position can be acquired by weighted centroid algorithm.Then the accurate position can be gotten via improved particle filter recursively.The extend simulation results show that the proposed algorithm is efficient for most condition.