带高斯扰动和协同寻优的蝙蝠粒子群混合算法

为了进一步提高粒子群算法的性能,提出了一种新的群体智能优化算法——带高斯扰动和协同寻优的蝙蝠粒子群混合算法。该混合算法利用蝙蝠个体脉冲的回声定位对最优粒子gbest进行高斯扰动而产生一个局部解,把该局部解加到蝙蝠种群中,然后根据局部解的位置优劣与蝙蝠个体产生的响度来更新粒子群。在寻优过程中,对gbest进行高斯扰动增加了种群的多样性而避免粒子群过快陷入局部最优,并且加强了蝙蝠种群与粒子群的信息交互,协同寻优。与蝙蝠算法、标准粒子群算法、烟花算法、带高斯扰动的粒子群算法、粒子群差分算法相比,带高斯扰动和协同寻优的蝙蝠粒子群混合算法的总体性能优于其他5种算法。

基于蝙蝠粒子群的二维OTSU图像分割方法

针对采用二维OTSU分割图像依然存在的计算复杂、实时性差的问题,提出了一种蝙蝠粒子群(BAPSO)优化二维OTSU阈值的分割方法。利用蝙蝠算法在每个粒子周围产生多只蝙蝠,粒子群再去全局寻优,从而实现蝙蝠算法协助粒子群算法的寻优过程,可以在图像的二维阈值平面上搜索最优阈值,并且在二维阈值多峰空间中不易陷入局部极值,改善了直接用粒子群优化二维OTSU易陷入局部最优值、分割精度差的问题。蝙蝠粒子群分割得到的图像准确率较高,轮廓更加完整。具有良好的实时性和更高的精确性,方便了图像分割的应用。

用于电动汽车电池SOC预测的BP神经网络模型

为破解目前电动汽车用电池剩余电量准确预测这一难题,在对影响电动汽车动力电池荷电状态(SOC)估算结果的相关因素分析基础上,建立一种用于电动汽车电池SOC预测的反向传播(BP)神经网络模型,首次提出蝙蝠-粒子群算法优化训练BP神经网络.仿真实验结果表明:该方法能方便、快速、准确地实现对电动汽车动力电池SOC预测,提高电动汽车动力电池的能量效率,延长动力电池的使用寿命,对于电动汽车的推广应用与发展具有较好的指导价值.

基于神经网络和模糊逻辑的BDFM直接转矩控制

无刷双馈电机系统具有多变量、高度非线性和时变性、强耦合等特点.文章在传统直接转矩控制基础上,将神经网络引入定子磁链观测器,并利用蝙蝠-粒子群算法优化训练神经网络;设计模糊状态控制器优化输出逆变器开关状态.由仿真与试验结果分析得出,基于神经网络和模糊控制的无刷双馈电机直接转矩控制,速度响应快且平稳,能较好抑制转速波动、转矩脉动、磁链脉动,系统鲁棒性好,控制精度高.仿真和实验均取得较好控制效果.

基于BP神经网络模型的异步电动机故障辨识

针对目前三相异步电动机故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电动机故障信号特征量基础上,提出基于蝙蝠-粒子群及改进BP算法的异步电动机BP神经网络故障辨识模型,采用蝙蝠-粒子群算法优化BP神经网络结构参数,利用改进BP算法训练BP神经网络。仿真结果分析表明,该BP神经网络模型用于三相异步电动机故障辨识,辨识速度快、准确度高、可靠性好。