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。

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BP神经网络的高低温试验箱温度预测

为提高高低温试验箱内部温度预测精度,通过建立粒子群算法优化后的BP神经网络(PSO-BP)模型对高低温试验箱内工作区温度变化情况进行预测,并利用试验采集的有限点温度数据进行对比分析,为高低温试验箱内温度特性的分析计算提供理论和数据支持。结果表明PSO-BP网络取得最小训练误差为9.35×10^(-5),与BP神经网络相比,优化后的PSO-BP神经网络训练集和测试集拟合精度分别提高了1.09%和2.43%。BP网络和PSO-BP网络平均绝对误差(MAE)分别为1.480和0.753,均方根误差(RMSE)分别为1.979和1.842,综合表明PSOBP神经网络预测精准度更高,可有效获得高低温试验箱内连续完整的温度情况,提高了试验箱研发工作效率。

基于粒子群算法优化BP神经网络的轴承故障诊断

通过PSO优化BP神经网络的权值和阈值,采用此算法对滚动轴承进行故障诊断,以驱动端加速度数据和风扇端加速度数据作为输入,通过训练网络输出轴承3种不同状态,实现对轴承的故障诊断。仿真结果表明:此网络模型能够准确识别出轴承运行状态和故障类型,正常样本测试准确率达到98%,并且相对于BP神经网络来说测试精度和准确性都有较大提升,泛化能力更强,可行性高。

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。

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。

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.

基于改进BP神经网络和多目标粒子群算法的四回路导线布置优化

同塔多回并架线路可有效解决输电走廊日益紧缺的情况下线路改造和建设所面临的难题,但长距离线路的导线空间布置和相序排列为架空输电线路设计和开关检修工作带来极大挑战。为此,利用ATP-EMTP仿真软件搭建500 kV同塔四回输电线路计算模型,考虑不同线路长度、杆塔间距、线路回间垂直间距和水平间距、相序排列方式以及杆塔呼称高度,对线路的感应电压和电流值进行仿真计算,并使用基于遗传算法优化的BP神经网络对未知导线布置和相序排列方式下的感应电压和电流进行预测。最终依据相应的电磁环境控制指标,使用多目标粒子群算法对架空输电线路的空间布置和相序排列进行优化,获得满足电磁环境要求的四回路导线布置方案,为送出站接地开关选型提供参照依据。

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%。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于改进PSO-BP神经网络的热采管柱应力预测

稠油热采过程中,油套管柱由于在温度、地层等多重载荷作用下发生塑性形变进而导致断裂或失效。文中根据热采管柱高温服役工况,引入异步变化学习因子和自适应权重建立输入参数为注汽温度、井深、非均匀系数和水泥环温度,输出参数为套管应力的改进PSO-BP模型。文中以N80热采套管为例,选取260、280、300、320、340℃5种温度工况下有限元模拟结果作为训练数据,对比BP模型、GA-BP模型、MEA-BP模型、PSO-BP模型和改进PSO-BP模型在300℃工况温度下井深200、300、400、500、600、700 m处套管应力的预测值和试验值、有限元计算值。结果表明:改进PSO-BP模型预测的应力与试验值最接近,最大和最小误差分别为2.69%和0.06%。最后从训练数据、预测误差、计算时间等方面对建立的改进PSO-BP模型进行了评价,为热采管柱服役过程中的强度安全分析提供智能高效的模型。

基于GA-PSO-BP神经网络的气象能见度预测

针对安徽省气象能见度数据缺测问题,选取安徽省4种不同地形条件下的自动气象站点(黄山站、灵璧站、山南溪谷站、白泽湖站)2017—2019年的气象数据,首先采用灰色关联分析法筛选出与能见度联系紧密的气象要素,然后构建遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm optimization algorithm,PSO)混合算法优化BP(back propagation)神经网络的预测模型,对4种不同地形条件下的自动气象站点的能见度进行预测,并与RF预测模型、XGBoost预测模型的预测效果进行对比,结果表明采用GA-PSO-BP神经网络预测模型无论在哪种地形条件下,预测误差更小,模型精度更高。

基于PSO-IBP神经网络的纯电动汽车电驱总成故障诊断

为了提高纯电动汽车电驱总成的故障诊断准确率,提出了一种基于粒子群优化(Particle Swarm Optimizing,PSO)算法的改进BP(Improved Back Propagation,IBP)神经网络(PSO-IBP)故障诊断方法。应用线性整流单元(Rectified Linear Unit,ReLU)作为BP神经网络的激活函数,通过粒子群优化算法对BP神经网络权值和阈值进行动态寻优,构建PSO-IBP模型。通过采集纯电动汽车电驱总成故障数据,分别对PSO-IBP神经网络模型、BP神经网络模型和概率神经网络(Probabilistic Neural Network,PNN)模型进行训练与仿真,结果表明,相比于BP神经网络方法及概率神经网络方法,基于PSO-IBP神经网络模型的纯电动汽车电驱总成故障诊断方法具有更高的准确率。

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IPSO-BP神经网络的导线舞动预警方法

为确保输电线路在易舞气象条件下的正常运维,根据线路舞动与气象条件之间的复杂映射关系,采用改进粒子群算法(improved particle swarm optimization,IPSO)对BP神经网络进行优化,提出一种基于改进粒子群算法优化BP(IPSO-BP)神经网络的导线舞动预测方法。利用文本挖掘技术分析舞动影响因素,确定以档距、覆冰厚度、温度、风速、风向、相对湿度及风向与线路走向夹角为特征输入的IPSO-BP神经网络模型,通过舞动历史数据训练模型以达到预测的功能。对比IPSO-BP神经网络模型与其他算法模型的精度和稳定性,结果表明该方法具有一定的优越性。最后采用该方法预测河南谢庄地区的导线舞动,验证该方法的准确性和实用性。

基于PSO-BP神经网络的轮胎负荷测量方法

研究基于粒子群优化(PSO)算法-BP神经网络的轮胎负荷测量方法。将采集的轮胎状态信息与提取到的加速度特征输入到BP神经网络,对轮胎负荷进行回归预测,使用PSO算法优化BP神经网络的权值与阈值,得到轮胎状态信息与轮胎负荷的关系。结果表明,采用PSO-BP神经网络预测轮胎负荷误差为1.8656%,PSO-BP神经网络预测精度较高,在转变工况条件下,预测误差为2.496%。

基于BP神经网络的上海生鲜农产品物流需求预测

针对传统的生鲜农产品物流非线性需求预测模型收敛速度慢、精度低等问题,构建由改进粒子群(improved particle swarm optimization,IPSO)算法优化反向传播(back propagation,BP)神经网络的预测模型。引入对立学习机制、自适应惯性权重、非对称学习因子提升粒子群(particle swarm optimization,PSO)算法的初始解质量,平衡算法的局部开发和全局搜索能力;利用IPSO算法优化BP神经网络的权值和阈值,解决BP神经网络收敛速度慢、容易陷入局部最优等问题。通过上海生鲜农产品物流需求预测实例对模型的有效性进行验证,结果显示:IPSO-BP神经网络模型在预测精度及收敛速度上均明显优于传统PSO-BP神经网络和BP神经网络模型。

基于GA-ACO-BP神经网络的日用消费品物流需求预测

针对日用消费品的物流需求,从宏观经济发展水平、相关产业水平、消费能力、物流供应能力、互联网发展水平、贸易水平6个方面,采用灰色关联度分析法对影响因素的灰色关联度进行计算及排序,构建预测指标体系。考虑物流相关数据样本较少,其影响因素之间存在非线性,结合遗传算法的全局寻优能力和蚁群算法的并行计算能力,构建了基于遗传算法-蚁群优化-反向传播神经网络(genetic algorithm-ant colony optimization-back propagation neural network,GA-ACO-BP)的日用消费品物流需求预测模型。分别采用GA-ACO-BP模型、GA-BP模型和BP模型对全国日用消费品物流需求进行预测,结果表明,GA-ACO-BP模型更能拟合日用消费品物流需求变化,预测精度较高,为物流需求预测研究提供一种模型参考,具有一定的实用价值。

基于改进狮群算法和BP神经网络模型的磨矿浓度预测

针对当前选矿生产过程中磨矿参数难以实时测量,导致的无法对磨矿流程控制进行有效实时优化的问题,提出了一种基于改进狮群算法和BP神经网络的磨矿浓度预测方法。传统的狮群算法(Lion Swarm Optimization, LSO)存在容易陷入局部最优解和局部搜索能力弱的问题,通过改变狮王更新方式的同时加入衰减因子,来提升全局搜索能力,避免陷入局部最优解,对于母狮和学习狮的更新方式引入了动态学习策略,来优化局部搜索能力,并在仿真测试中验证了改进算法的优越性。同时利用改进的算法代替BP神经网络中的梯度下降法,来搜索最优的权值和阈值,提升BP神经网络收敛速度和收敛精度。试验结果表明,改进狮群算法优化的BP神经网络(Improved Lion Swarm Optimization-BP,ILSO-BP)在此预测问题上有更好的效果。