基于改进蚁群算法优化神经网络的焊缝成形预测研究

为了控制焊接机器人焊缝成形的质量,提出了一种基于改进蚁群算法(ACO)优化BP神经网络的焊缝成形预测模型,实现对焊缝成形尺寸的控制。首先通过Otsu优化Canny算子的方法提取焊接过程中熔池图像的数据样本,然后用BP神经网络来进行训练预测。为了优化初始权阈值,引入ACO优化BP;针对蚁群陷入局部最优的情况,引入遗传算法(GA)中的交叉变异,利用适应度值来确定选择概率的特性,从而加快迭代速度,避开蚁群初期的收敛慢问题,提升预测模型的性能。最后通过与传统BP、GA-BP和ACO-BP的预测实验对比,发现改进后的预测模型准确度高、稳定性好。

基于粒子群算法优化小波神经网络的BDS-3钟差预报研究

针对目前对于BDS-3钟差预报研究较少、BDS-3钟差预报模型不足的问题,提出利用粒子群算法(Particle Swarm Optimization,PSO)优化小波神经网络(Wavelet Neural Network,WNN)的BDS-3钟差预报模型,粒子群算法可以有效解决小波神经网络的权值和阈值的选择问题。该模型符合BDS-3钟差数据的特点,并且可以充分发挥粒子群算法优化的小波神经网络在非线性数据预报方面的优势。同时,利用IGS数据构建粒子群算法优化的小波神经网络BDS-3钟差预报模型,通过和GM(1,1)钟差预报模型、小波神经网络预报模型进行对比,说明了本研究的粒子群算法优化小波神经网络BDS-3预报模型具有较高的预报精度、模型稳定性更好、预报使用时间更少。由此证明,利用粒子群算法优化小波神经网络模型进行BDS-3钟差预报是具有可行性的。

基于GA-BP神经网络和改进粒子群算法的碰撞射流和冷却顶板复合空调系统优化

对碰撞射流和辐射顶板(IJV/RC)复合空调在不同室内负荷条件下运行时的室内热环境进行数值模拟,基于遗传算法-反馈(GA-BP)神经网络建立运行性能(吹风感R_(PD),头足温差Δt,空气交换效率e ACE,工作区平均温度t_(a))与设计变量(送风温度t_(s)、送风速度v_(s)、冷却顶板内表面温度t_(c)、房间负荷Q_(c))之间的预测模型,通过相关性分析确定设计变量对运行性能影响的显著性并排序。结果表明,增大v_(s)可使Δt降低,但R_(PD)增大;增大t_(c)有助于降低Δt和R_(PD),但t_(a)升高;为使t_(a)下降,可通过降低t_(s)来实现,但室内空气质量变差。为确保IJV/RC复合空调能在保证室内热舒适的同时提供良好室内空气品质,利用改进粒子群算法对复合空调的运行性能进行多目标同时优化,建立不同房间负荷条件下的设计参量最优匹配关系。研究结果可为IJV/RC复合空调的优化设计和运行控制提供理论指导。

基于神经网络和粒子群算法的硅钢工艺参数优化

结合BP神经网络与粒子群算法,提出了一种降低硅钢铁损的工艺参数优化策略。首先,采用BP神经网络建立了对硅钢铁损的预测模型,模型具有很高的拟合精度和预测精度。然后在工艺参数的优化方面,以BP神经网络预测模型作为适应度函数,选取连续退火RTF炉段的各段炉温作为优化变量,采用粒子群算法优化这些工艺参数。结果显示,基于BP神经网络,采用粒子群算法对部分工艺参数进行优化后,硅钢铁损明显降低,具有一定的指导意义。

基于粒子群算法优化BP神经网络的电力负荷预测

准确的负荷预测是保证电网平稳运行的重要因素,本文提出了一种基于粒子群算法(PSO)优化BP神经网络预测模型的方法。该方法引入了粒子群算法这一新型的群智能算法,通过多次迭代进行模型优化,与BP神经网络相结合,消除了后者收敛速度较慢、较易陷入局部极值等缺点。经MATLAB仿真结果验证,该模型具有较高的准确性和稳定性,为电力负荷预测提供了一种实用的方法。

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.

基于遗传-蚁群算法优化BP神经网络的医用输液泵输液误差补偿

一次性泵用输液器搭配医用输液泵进行输液时,输液精度受时间、温度和流速影响,可能会出现精度下降等不利现象。为了对输液误差进行补偿,提出一种遗传算法(genetic algorithm, GA)和蚁群算法(ant colony optimization, ACO)相结合以优化BP神经网络的方法。首先分析误差影响因素,通过多控制因素下的输液实验获得补偿前的误差数据。其次,运用GA-ACO优化BP神经网络的初始权值和阈值,建立误差补偿模型。最后将该算法和BP算法以及分别用遗传算法、蚁群算法优化BP神经网络的补偿效果进行对比。仿真结果表明,提出的算法能够有效减小输液误差。模型的平均绝对误差为0.575 7 mL、均方误差为0.533 9、均方根误差为0.730 7、平均绝对百分比误差为0.092 2%。公司产品样机实测结果表明,采用该优化算法能够提高输液精度,最大相对误差低于3.5%,验证了使用遗传-蚁群算法优化BP神经网络补偿泵用输液器输液误差的有效性,具有一定的实际应用价值。

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络(BPNN)的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测(SQP-ACO-BPNN)方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化(ACO)算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。

基于粒子群优化BP神经网络的激光扫描投影系统畸变预测方法

为了精准、高效地预测和校正激光扫描投影系统的畸变误差,研究了基于粒子群优化BP神经网络的畸变预测方法。建立了BP神经网络结构,并融合粒子群优化算法对BP神经网络的权值和阈值进行优化,得出基于粒子群优化BP神经网络的激光扫描投影系统投影畸变预测模型。选取距激光扫描投影仪器两米的待投影面上的理论坐标点及各点相应畸变值Δx作为粒子群优化BP神经网络的训练数据集,将待投影面上实际投影位置坐标代入训练好的粒子群优化BP神经网络进行预测得到预测畸变值输出,并与实际畸变值对比,最后,引入Elman神经网络预测模型的预测结果与所研究预测方法进行对比。结果表明:在±30°的全视场扫描投影范围内粒子群优化BP神经网络预测模型的均方根误差为0.0176 mm,解算时间仅需22.4 s,相较于Elman神经网络效率提升78.33%,预测精度及时间明显优于Elman神经网络,可以有效预测激光扫描投影系统的畸变误差。

基于PSO-BP神经网络的Savonius型叶轮阵列消波性能优化

为了提高Savonius型(S型)叶轮的消波性能,提出一种S型叶轮阵列装置。通过试验记录不同的叶轮间距和叶轮相对入水深度等5个参数下波浪经过叶轮阵列后的透射系数K_(t),建立基于粒子群优化(PSO)算法和反向传播(BP)神经网络的S型叶轮阵列消波性能预测模型。将采用该模型与采用BP网络模型和GA-BP网络模型得到的平均绝对误差、均方根误差和决定系数R^(2)指标进行对比,结果表明,采用PSO-BP神经网络模型优化能得到误差更小、更精准的预测结果。当相邻叶轮间距分别为0.62 m和0.41 m、各叶轮入水深度分别为0.15 m、0.18 m和0.19 m时,S型叶轮阵列具有相对最佳的消波性能。

基于IAFS算法融合小波神经网络的变压器故障诊断研究

鉴于小波神经网络训练模型在电力变压器故障诊断中存在易陷入局部最优与对初始值高难度、高要求性问题,通过将人工鱼群算法和小波神经网络技术有机地融入到变压器故障诊断中,开发出一种全新、高效的方法。采用人工鱼群算法改善小波神经网络训练模型的权重和阈值,以达到最佳的模型性能,提升模型的准确性和可靠性。在整个学习过程中,小波神经网络训练模型的复杂度和泛化能力都得到了较大的提升,同时加快了收敛速度,从全局搜索逐步转向精细搜索,避免算法出现局部最优的情况。最后,通过仿真实验结果证明所提方法可有效地提升变压器故障诊断的准确度,提高了变压器故障诊断效率。

基于粒子群优化BP神经网络的汽车4S店客户流失预警

客户流失预警作为防止汽车4S店客户流失的重要手段,不仅为当代车企提供了有效的经济效益保证,也为车企对未来决策带来了新的研究依据。为建立汽车4S店客户流失预警分级标准,该文从客户基本信息、车龄、车辆销售价格、贷款金额、维修保养次数、维修保养时间等29个指标着手,基于粒子群优化BP神经网络算法,建立汽车4S店客户流失预警分级标准模型。该模型首先预测出客户流失概率,然后根据值为0-1之间的概率大小分为1-5共5个等级,其中1表流失可能性很小,5表示流失可能性很大。最终得到测试集客户流失预警从1到5等级的比例分别为71.39%、3.75%、3.50%、5.86%和15.50%。同时,通过训练集中有78.65%的客户未流失作为先验概率,判定预测概率小于等于先验概率为客户未流失,大于先验概率为客户流失,得到该模型总体的准确率为91.71%。

基于帝国竞争反向传播神经网络的断块油田开发顺序优化

明确断块油田群中断块的开发顺序是进行开发方案设计的前提条件。断块油田数量较少时,可以进行技术经济的组合对比,但是断块数量较多时会形成海量的组合,耗费时间也长。断块油田开发顺序评价的现有方法有权重评价法、层次分析法、综合模糊评判法等,这些方法在选择评价指标和指标权重上带有较强的主观性,无法做到完全客观的评价。因此本文提出一种基于帝国竞争算法改进的反向传播神经网络模型,首先采用Spearman相关系数法确定影响断块油田开发的主控因素,其次使用分段三次Hermite插值方法实现断块油田群开发数据库的扩充,最后在扩充后的大量数据库训练样本的基础上,基于帝国竞争算法改进的反向传播神经网络模型可以确定影响开发效果参数的权重并预测断块油田群中各断块油田的净现值,根据净现值大小可以确定每个断块的开发顺序。该方法以实际断块油田群的地质油藏数据库作为评价依据,断块油田的开发顺序更加的科学合理,项目整体的净现值也明显高于依靠传统方法确定的开发顺序组合,避免了人为主观性,也节省了数值模拟和经济评价的工作量,克服了现有方法的局限性,对于提高断块油田群开发综合效益具有重要意义。

基于神经网络和粒子群算法的永磁同步电机运行与振动性能优化

为了兼顾新能源驱动电机的运行性能和振动性能,对该型号驱动电机进行综合优化。采用数值计算方法分析8极48槽永磁同步电机的主要结构参数对电机运行性能和振动性能的影响,建立神经网络模型拟合电机结构参数与性能表现之间的映射关系,并基于测试数据集进行验证;使用粒子群算法优化电机的结构参数,从而获得驱动电机振动性能和运行性能之间的非劣最优解。优化后的电机与初始样机相比在驱动性能基本保持不变的基础上,转矩脉动和振动位移方面都有了明显的优化。

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。

径向基函数神经网络指导的粒子群优化算法求解多峰优化问题

面对多峰优化问题粒子群优化算法因多样性不足和搜索动作选取不合理,难以找到问题的全局最优解.为此本文提出一种径向基函数神经网络指导的粒子群优化算法.首先设计子群划分方法,将种群划分成多个子群,子群中心作为子群粒子的学习目标,指导其搜索.该方法充分考虑种群多样性,选择能代表子群搜索特性的粒子作为子群中心,并使之远离存在的中心,通过选择合适的子群中心,实现子群划分.不同子群粒子在各自子群中心指导下搜索,呈现多样的搜索特性.其次,利用子群中心设置隐藏层节点,并在输出层输出粒子加速系数的调整动作.最后引入强化学习来训练网络.在CEC2013的15个多峰函数上开展实验,结果表明本文方法明显提高了多峰优化问题的求解精度.

基于改进蚁群优化神经网络反推控制的IM鲁棒控制

针对六相铜转子感应电机(SpCRIM)在不确定扰动条件下的鲁棒控制,提出一种基于改进蚁群优化(AACO)递归罗曼诺夫斯基多项式神经网络(RRoPNN)的反推控制策略。首先,基于反推控制理论设计了SpCRIM的控制律,并提出了一种改进的具有自适应律的RRoPNN,以实现对反推控制律中的总不确定度进行估计;然后设计了相应的误差估计律对网络观测误差进行补偿,同时实现在线参数调节;为防止早熟并加快所提RRoPNN的收敛速度,提出了AACO算法对RRoPNN连接权值学习率进行调整;通过Lyapunov稳定性理论证明了所提控制方法的鲁棒性;最后,对所提出控制器的位置跟踪性能进行了实验验证,并与经典PI控制器及基于开关函数的反推控制器进行了对比。结果表明,所提控制方法具有更为良好的位置跟踪精度和鲁棒性。

基于小波神经网络与遗传算法的机器人全局路径和局部路径优化

全局与局部路径的优化可以实现对机器人路径的全局统筹和实时性控制,从而提高其自动化使用的效率。为了提高机器人自动化路径选取的准确性,在该研究中选择遗传算法优化小波神经网络和人工势场法,实现全局和局部路径的优化。结果表明,优化的小波神经网络和人工势场法的最终损失函数值分别为0.26和0.31。改进小波神经网络的准确率为95.8%,相对于改进的人工势场法、小波神经网络和人工势场法分别有2.3%,3.4%和3.8%的提升。路径优化仿真实验结果表明,新建方法可以实现较好的全局和局部路径优化,且规划路径平滑、无障碍。

基于改进粒子群优化BP神经网络的火灾预警方法

针对传统仓库火灾预警系统易受外界环境因素干扰,误报漏报率高的问题,采用一种基于改进粒子群优化BP神经网络的火灾预警方法,增强仓库消防系统的安全性和智能性,为传统检测系统增加一层保险。在标准粒子群优化BP神经网络的基础上,引入Tent映射,选取新的权重更新函数,改进粒子群随机搜索能力,加速神经网络收敛,输出期望结果。由Matlab软件仿真实验结果分析可知,改进后的方法相较于标准粒子群优化方法,收敛速度和准确率均显著提升,证明了该方法的优越性。

基于BP神经网络与粒子群优化算法的乙醇偶合制备C_(4)烯烃的研究

利用乙醇制备C_(4)烯烃过程中催化剂的组合、乙醇的浓度以及温度都有着重要的影响。针对这一问题,利用BP神经网络构建了催化剂组合参数、乙醇浓度和反应温度与C_(4)烯烃收率之间的数学模型,并使用PSO对参数进行优化以得到C_(4)烯烃收率的最大值。