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。

计及改进粒子群算法优化BP神经网络的沼气产量软测量预测模型

为准确预测大中型沼气工程的日产气量,提出一种利用基于PSO-BP模型的软测量方法。首先,依托软测量技术选取参数;其次,以进料量、发酵温度、液位、罐内液压等参数作为输入量,沼气日产量为输出量进行模型建立。在此基础上,使用线性降低权重系数法和引入变异算子对粒子群算法进行改进,并对BP神经网络进行初始化来提高模型性能。通过实验比较改进PSO-BP模型、传统BP神经网络以及遗传算法优化的BP神经网络在预测沼气日产量方面的性能,采用改进的PSO-BP模型进行预测时,均方根误差(RMSE)、决定系数(R2)和平均绝对误差(MAE)分别为1.38440、0.84011和1.00910,证明改进PSO-BP模型结合软测量技术对进行复杂非线性牛粪高温厌氧发酵过程预测的可行性,同时可保证预测结果的精准性。

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。

基于自适应变异的粒子群优化BP神经网络的液压缸故障诊断方法

本文创新性地探讨了一种液压缸故障诊断方法,该方法应用BP神经网络算法和自适应变异的粒子群优化方法,实现液压缸故障推理和判断。与传统的PSO-BP神经网络模型对比,该模型借鉴了遗传算法的思路,应用变异理论,使得粒子能够跳脱出先前搜索到的最优位置,再次进行更广泛地搜索。这种搜索方式使得算法搜索空间有较大的提升,使得算法寻优能力大大提高,有效提升了BP神经网络液压缸故障诊断模型的效率。

基于蝙蝠—粒子群算法优化BP神经网络的电动汽车锂电池故障诊断

针对电动汽车锂电池故障诊断问题,在分析锂电池故障特征与故障原因的基础上,建立电动汽车锂电池故障诊断模型。该模型包括锂电池故障样本采集处理、BP神经网络、故障特征编码输出及故障类型诊断。采取蝙蝠—粒子群算法优化BP神经网络初始结构参数,利用改进BP算法和故障样本训练并测试BP神经网络。仿真实验结果表明:相比BP算法、遗传算法、粒子群算法,蝙蝠—粒子群算法优化BP神经网络的故障诊断准确性最高、训练时间最短、训练误差最小。

基于粒子群优化BP神经网络的中空夹层钢管混凝土柱轴压承载力研究

圆中空夹层钢管混凝土(concrete filled double-skin steel tube,CFDST)柱因其独特的结构形式与优异的力学性能,已成为现代工程结构中的主要受力构件。然而外钢管、内钢管与核心混凝土之间的相互约束作用导致其受力比较复杂。为此,采用PSO-BP混合神经网络算法对圆CFDST柱的轴压承载力进行了研究。收集了167组数据建立数据库,并选取8种影响因素作为输入层参数,轴压承载力作为输出层参数,分析了传统BP神经网络模型所存在的缺陷,建立了PSO-BP神经网络模型。此外,将机器学习模型与3种规范的结果进行比较,结果表明机器学习模型的精度比3种规范的精度更高。相较于BP神经网络模型,PSO-BP神经网络模型具有更好的预测能力,更有助于预测CFDST柱的轴压承载力,对工程上研究CFDST柱的力学性能有着重要意义。

基于自适应变异粒子群算法和BP神经网络的短期燃气负荷预测

天燃气负荷具有非线性和不确定性的特性,针对传统的单一神经网络预测方法存在收敛速度慢、易陷入局部极值的问题,为提高预测精度,提出一种结合自适应变异粒子群算法(AMPSO)和BP神经网络的短期燃气负荷预测方法。采用自适应调整惯性权重的方法,通过自适应的概率对比较密集的粒子引入交叉算子和变异算子,通过比较当前粒子的概率与交叉概率和变异概率的取值进行交叉和变异,形成AMPSO,利用AMPSO优化BP神经网络,建立较优的燃气负荷预测模型,这种方法能有效实现全局收敛并保证收敛速度。为验证模型的性能对上海市短期负荷进行预测,平均绝对百分误差MAPE为0.012。实验结果表明,与传统的BP神经网络预测方法和PSO_BP预测方法相比,该提出的模型的预测精度比较高。

改进粒子群算法+BP神经网络在边坡可靠度分析中的应用

为准确计算高边坡的稳定可靠度,提出了一种基于改进粒子群算法+BP神经网络的边坡可靠度分析方法。通过BP神经网络建立了高边坡神经网络模型,采用改进粒子群算法对边坡稳定系数进行了求解。结果表明:改进粒子群算法在不同测试函数的寻优精度最高;BP神经网络预测结果较好;该方法计算得到的边坡稳定可靠度相较于其他方法较小,计算结果偏于保守。

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。

基于粒子群算法与改进BP神经网络的水电机组轴心轨迹识别

在水电机组状态检修系统中,轴心轨迹是判断机组状态的一个重要特征。该文提出边缘检测和矩特征提取相结合的方法,利用粒子群寻优算法来获取与待识别样本最接近的已知样本,应用改进的BP神经网络进行识别,将轴心轴迹的不变性矩作为神经网络的特征参数,对几种典型的轴心轨迹进行了辨识。某水电站机组试验表明该方法识别速度快、精度高,具有较高的实用价值。

基于粒子群算法的BP神经网络优化技术

针对传统BP神经网络存在学习效率低、收敛速度慢和容易陷入局部极小值的问题,提出一种基于改进的PSO来优化BP神经网络的方法。通过在PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,将优化的BP神经网络用于遗传高血压患病年龄的预测中。实验结果表明,该方法较好地解决了传统BP神经网络易陷入局部极小值的问题,提高了算法的收敛速度和稳定性。

基于改进粒子群算法的BP神经网络及其应用

目前BP神经网络是一种有效的预测方法,但在实际应用当中存在着一些自身的缺点,为此提出了一种基于改进粒子群算法的BP神经网络。通过动态调整粒子群算法中的惯性因子ω,有效地增强了算法对非线性问题的处理能力,同时提高了算法的收敛速度和搜索全局最优值的能力。建立改进后的BP网络模型,通过该模型和逐步回归方法对某市降水量进行实例分析。分析结果表明,改进后的BP网络模型具有较高的准备预报能力和稳定性。

改进粒子群算法对BP神经网络的优化

介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法。该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型。结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力。

基于粒子群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤,标定的精度直接关系到三维重构结果的逼真程度。为了有效解决传统摄像机标定算法中的多参数、计算费时费力等问题,提高摄像机标定的精度和速度,将粒子群遗传算法(particle swarm optimization genetic algorithm,PSO-GA)应用于摄像机标定中。对参数进行粒子群算法优化后,再使用遗传算法中的选择、交叉和变异等操作进行参数优化,以实现粒子群算法与遗传算法的融合。结合后的算法全局搜索能力较强,收敛速度更快,优化能力与鲁棒性得以提高。同时,基于神经网络的摄像机标定方法所能覆盖的标定空间十分有限,提出了一种采用粒子群遗传算法优化BP神经网络的摄像机标定方法,以解决传统摄像机标定方法难以解决的问题。实验数据表明,基于粒子群遗传算法的BP神经网络标定是一种可行的方法,标定精度高,收敛速度快,泛化能力强。

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。

改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用

本文提出了一个基于改进粒子群优化算法的BP神经网络优化模型来进行轴承故障诊断,此模型融合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索的优势,有效地防止了网络陷入局部极小值,同时又保证了诊断结果的精确性。仿真结果表明机车滚动轴承故障得到了有效诊断。相比于常规的BP神经网络模型,此方法不仅改进网络的收敛速度并且提高了预测准确性。

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。

粒子群退火算法优化的BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型粒子群退火算法(New Particle Swarm Annealing Algorithm, NPSOSA)优化BP神经网络的权值和阈值,继而构建NPSOSA-BP神经网络预测模型.实验通过搭建软件老化测试平台,收集所需的老化数据并进行仿真训练.实验结果表明, NPSOSA-BP神经网络模型相比于传统粒子群算法(PSO)、传统粒子群退火算法(PSOSA)优化的BP神经网络模型提高了预测精度和适用度,在该应用领域验证了本文方法的有效性.

变异粒子群优化的BP神经网络在入侵检测中的应用

针对入侵检测系统的自主学习性、实时性,提出带变异算子的粒子群优化方法,并用该方法优化BP神经网络以加快其收敛速度,提出了MPSO_BP混合优化算法.为提高入侵检测系统的检测率、降低误报率,提出了一种新的入侵检测模型(MPBIDS).采取Iris数据集对3个BP神经网络进行模拟实验,结果表明,优化后的BP神经网络具有更好的收敛速度和精度.将改进的BP神经网络应用到入侵检测中,采取KDDCUP99为测试数据集,仿真结果表明,基于改进BP神经网络的入侵检测模型能提高检测率、降低误报率.

基于粒子群的BP神经网络算法在猪等级评定中的应用

现有的在猪等级评定中应用的BP神经网络算法存在对初始权值敏感、易陷入局部最小值等缺陷,从而导致预测精度不高、收敛速度慢的状况。针对该问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法。先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型。与传统BP神经网络相比,该方法预测精度高、收敛速度快,可以有效地运用到猪等级评定中。