蚁群BP神经网络在云制造知识服务组合优化中的应用

为实现针对复杂零件在云制造环境下知识资源的服务组合优化,建立了以QoS服务需求为优化目标的服务组合优化模型。首先,利用灰色关联分析对制造资源进行预处理以减小知识资源搜索范围,降低搜索成本。其次,利用改进的蚁群算法对知识资源进行全局优化分析,以提高匹配速度。最后,利用蚁群BP神经网络算法对解空间中最优解进行再次优化以提高知识服务组合的学习效率和学习精度。实验结果表明,灰色关联分析、改进的蚁群算法以及BP神经网络的使用,可缩短知识服务的搜索时间,提高匹配精确度,有效解决知识服务组合优化问题。

基于蚁群优化神经网络的路基沉降量预测

原有神经网络中自变量数据输入过多时易出现拟合过度征象,从而降低展望模型的准确度。采取蚁群优化神经网络(ACOBP)模型的权值和阈值,经由实测仿真计算,结果表明ACOBP模型的精确度和效果均优于传统神经网络。

长链树状无线传感器网络中遗传蚁群路由优化算法

为提高长链树状无线传感器网络的服务质量(QoS),本文用云遗传蚁群网络算法对无线传感器网络路由进行优化.算法中将正向蚂蚁根据节点负载情况发现的可行路径作为遗传算法的初始种群进行染色体编码,用路径时延、跳数及链路质量定义的适应度函数对染色体进行评价;利用正态云发生器实现路径的交叉和变异操作,逆向蚂蚁对优化后的路径进行信息素更新.仿真结果表明该路由算法能够满足无线传感器网络的实时性、可靠性等方面的要求,实现了网络的负载平衡及拥塞控制机制.

蚁群神经网络算法在电动车用直流电机起动过程中的应用

电动车用直流电机控制器系统在电动车起动过程中具有非线性、快时变的特点,常规的比例-积分-微分(proportion-integration-differentiation,PID)控制方法很难满足系统非线性、参数摄动的要求,即使采用了前向神经网络算法进行PID整定,也由于结构复杂,训练速度慢等原因而很难满足实时控制的要求。于是提出了采用蚁群神经网络(ant colony algorithm neural network,ACANN)整定PID控制策略,用蚁群算法学习多层前馈(back propagation,BP)神经网络的权系,建立了基于该算法的BP神经网络训练模型,因而兼有了神经网络的广泛映射能力和蚁群算法的快速全局收敛以及启发式学习等特点,该控制策略可以补偿系统参数摄动、非线性和外界扰动对系统控制性能的影响,达到电动车平稳快速起动的目的。仿真和实验结果证明,该控制策略对电动车起动过程中电机起动电流的控制具有快速性、稳定性和鲁棒性。

基于蚁群神经网络的裂缝开合度预测模型

大坝裂缝开合度是体现大坝安全的重要参量。针对传统裂缝开合度预测模型的不足,提出了基于蚁群神经网络的裂缝开合度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高了学习速度,加快了收敛速度,缩短了训练时间,并通过实例验证了其拟合预报精度,说明该方法具有较强的实用性。

基于小波分析—蚁群BP网络的木构件缺陷无损检测

针对木材构件的胶缝缺陷,提出一种基于小波分析—蚁群BP网络的木结构无损检测方法,首先采用超声波测试仪对木材试件进行测试,获取测试信号,为消除探伤时由于测试仪增益调节及缺陷尺寸、角度的变化对测试缺陷回波波高的影响,将缺陷信号幅值归一化。利用小波的频域带通特性,将木材构件超声探伤信号分解到不同的频率通道,考察这些分解信号的时频、能量等特性,从中提取出表征原始信号在不同频率通道下的特征参数,并采用蚁群神经网络对小波信号特征参数进行网络训练,检测木材构件胶缝位置。测试结果表明了该方法的有效性。

基于蚁群神经网络的泵车主泵轴承性能评估

针对BP神经网络、遗传神经网络等智能算法在机械设备关键部件的性能评估过程中训练收敛速度慢,且会遇到局部极小的问题,提出一种运用蚁群算法训练神经网络的权值和阈值的混合智能算法——蚁群神经网络.将蚁群神经网络应用于混凝土泵车主泵系统中主泵轴承的模式识别和性能评估.结果表明,蚁群神经网络能很好地解决收敛速度慢、局部极小的问题,提高了分类精度,展现了良好的应用前景.

基于蚁群神经网络的LED灯管寿命预测

针对高可靠性、长寿命复杂产品的可靠性评估过程,在加速寿命退化试验数据的基础上,提出了一种基于试验数据驱动的自适应智能方法,并对某型LED灯管的寿命与可靠性进行预测分析。首先,通过指数模型拟合性能退化曲线,推算出各组应力条件下的伪失效寿命值;再将蚁群算法结合BP神经网络等智能算法应用于寿命预测模型的建立,根据试验证明寿命服从对数正态分布,且检验寿命必须满足置信度区间范围内;最后,预测出正常应力条件下LED灯管的工作寿命。结果表明,基于蚁群神经网络预测LED灯管寿命的方法,预测误差较小,收敛速度快,能够满足工程要求。

改进蚁群算法与BP网络融合预测铅酸蓄电池SOC

人工神经网络通过模拟人脑神经网络的方式记忆、处理信息,具有很高的智能性,近些年来,被广泛应用在太阳能用铅酸蓄电池剩余电量预测的研究中,但是,收敛速度慢、对初值敏感以及较易陷于局部极小值等是单一神经网络算法难以解决的缺点.针对该问题,将蚁群算法进行改进并与BP神经网络相融合,先采用改进的蚁群算法将BP神经网络的权值参数进行全局训练,然后,采用BP神经网络算法进一步进行局部学习,从而获得最优的BP神经网络权值.最后,通过MATLAB仿真和实验验证了本课题所采用的改进蚁群与BP网络融合算法能明显改善BP网络的收敛速度以及预测精度,能准确地预测出太阳能蓄电池SOC.

基于蚁群BP神经网络算法的六维力传感器解耦研究

针对传统BP神经网络在六维力传感器解耦训练过程中,由于其初始参数的选取不确定性导致神经网络出现震荡、收敛速度缓慢和陷入局部极值等问题,提出一种基于蚁群BP神经网络算法并应用于六维力传感器解耦研究。该算法利用蚁群算法在种群寻优方面的优越性,通过局部和全局信息素更新相结合的方式更新信息素,提高蚁群算法搜索的效率,为BP神经网络提供一组最优的训练初始参数,网络收敛速度得到很大地提高,同时局部极值和震荡等缺点也有一定的改善。实验仿真结果表明,在六维力传感器神经网络模型训练过程中,达到同样的目标误差,基于蚁群BP神经网络算法的迭代次数N比传统算法少50%,运行时间T快60%。这说明蚁群BP神经网络算法在六维力传感器解耦研究中有着很好的应用效果。

蚁群神经网络算法在超声检测混凝土缺陷中的应用

为了克服BP算法的缺陷与超声检测混凝土材料缺陷时收敛慢、精度低等问题,采用了蚁群优化算法与BP神经网络融合的方法,建立了蚁群神经网络的数学模型,实现了蚁群神经网络的训练,并通过实例验证了该方法的有效性。由试验得知蚁群神经网络识别混凝土缺陷时,对位置的识别比对尺寸更有效。

基于蚁群神经网络的泄漏特征融合算法研究

文章采用蚁群算法对神经网络的参数加以优化,提出了一种基于蚁群神经网络的特征参数融合模型。从理论分析的角度给出了优化的蚁群神经网络所体现的优势和特点,识别化工园区泄漏隐患,有效提高化工装置管道的泄漏识别的预测精度,为园区科学管理提供技术支撑。

小波分析与蚁群神经网络5′-硝基水杨基荧光酮分光光度法同时测定钨钼锑

提出了钨、钼、锑—5′-硝基水杨基荧光酮—CTMAB的新显色体系,并用于钨、钼、锑三组分光度分析。为解析钨、钼和锑的重叠光谱,提高多组分同时测定的准确度,将蚁群神经网络(ACAN)与小波分析相结合,建立一种利用小波变换提取重叠光谱信息,再用蚁群神经网络解析的方法,此方法应用于合金钢标准样品中钨、钼、锑多组分同时测定,测定值与认定值相符,相对误差分别为0.14%、0.13%、0.013%。

高速铣削工件表面粗糙度蚁群-BP神经网络建模

由于蚁群算法具有很好的多样性、兼容性和正反馈,故十分适合用于BP神经网络学习率的优化,从而建立蚁群-BP神经网络。训练样本对是以实验1、实验3、实验5、实验7、实验9、实验11、实验13和实验15下的高速铣削试验数据组成的,并用高速铣削实验中的工件表面粗糙度来建模。使用创建的高速铣削工件表面粗糙度预测模型来对实验2和实验6状态中的高速铣削工件表面粗糙度进行预测,通过对比预测结果和试验结果,可发现蚁群-BP神经网络能够十分有效地对高速铣削工件表面粗糙度进行建模预测。

蚁群算法在永磁同步电机起动过程中的应用

永磁同步电机(PMSM)在起动过程中具有非线性、时变的特点,其多变量、强耦合的特点使得采用PID控制器很难满足系统非线性及参数摄动要求。在传统神经网络算法整定PID控制结构复杂,训练速度慢等原因基础上,提出了采用蚁群神经网络(ACANN)算法整定PID控制,用蚁群算法来学习多层前馈(BP)神经网络的权系,并建立基于该算法的网络训练模型,使其同时具有蚁群算法的快速全局收敛和神经网络的广泛映射能力等优点。仿真和实验结果证明该方法可以补偿系统因非线性和外界扰动等对控制性能的不利影响,达到电机平稳快速起动的目的。

基于蚁群优化的军用广域网拥塞规避路由方法研究

针对军用广域网关键路由协议OSPF应对网络拥塞能力弱的问题，提出基于蚁群优化的军用广域网拥塞规避路由方法，仿真实例证明该算法在网络拥塞状态下降低了数据包丢失率，且使得两条优先级不同的网路开始具备负载均衡能力，低时延的数据包比例有所增加，提高了路由传输快速性和网络资源利用率，具有一定应用价值。

基于ACO优化小波神经网络的语音识别

蚁群优化(Ant Colony Optimization,ACO)算法是根据解决不同优化问题的多个蚂蚁算法所归纳出的解决复杂的组合优化问题的一个一般框架。本文首先研究ACO算法的原理及其结构框架,在此基础上,引入蚁群优化算法进行小波神经网络的训练,对ACO训练小波神经网络步骤和方法进行了研究。并与BP算法、遗传算法、模拟退火算法进行性能比较,将各种方法训练的小波神经网络用于噪声环境下的语音识别。仿真结果表明,基于ACO算法训练的神经网络在收敛速度上更具有优势,能够获得较小的均方误差值,对于非特定人噪声环境下的语音识别的正确率达到96%,是一种有效的语音识别方法。

一种基于AntNet改进的QoS路由算法

对具有NP完全难度的网络状态动态变化下的路由问题,提出了一种基于蚁群网络(A n tnet)的蚁群优化分布式Q oS路由算法.算法的主要特点是:(1)采用了动态更新的概率表替代传统的路由表;(2)采用了智能的初始化方法;(3)采用了一种新颖的信息素更新机制;(4)采用一种新的节点选择机制;(5)引入蚂蚁相遇机制.与标准的A n tN et相比,该算法具有更快的收敛速度和较好的吞吐能力.另外,算法同时考虑了满足Q oS度量和负载平衡等问题.

多传感器信息融合在电机故障诊断中的应用

为了提高电机故障诊断的准确性,引入一种多传感器信息融合的诊断方法。将多个传感器所采集的转子振动频谱信号处理后,利用蚁群神经网络进行故障局部诊断,以获得彼此独立的证据,再由证据理论对各证据进行融合,最终实现对电机故障的准确诊断。实验结果表明,该方法有效提高诊断的可信度,减少电机故障分类识别的不确定性。

基于信息融合技术的汽轮机转子故障诊断

选取蚁群神经网络作为汽轮机转子故障诊断的初级模块,采用证据理论混合算法的故障诊断方法,对汽轮机转子的局部故障进行诊断,并将诊断结果作为证据体利用证据理论将各证据体进行合成,计算它们的基本可信任分配函数,从而判定故障及其类型。以汽轮机转子x、y方向的不平衡故障为例进行诊断,结果表明该方法可有效提高诊断的可信度,减少诊断的不确定性。