基于机器学习的高强高导Cu基复合材料力-电性能统一预测模型研究

颗粒增强铜基复合材料具有良好的力学、电学性能,但增强体特征参量与材料性能之间的定量关系难以量化确定。为建立Ti B和Ti B2陶瓷增强相与铜基复合材料力学与电学综合性能之间的映射关系,以求大幅提高铜基复合材料强度的同时,将其导电率降低在可接受范围内,提出了一种基于蚁群算法优化的BP神经网络铜基复合材料力-电性能统一预测模型(ACO-BP-Cu)。通过BP神经网络建立铜基复合材料性能与特征参数间关系,通过蚁群算法全局寻优确定BP神经网络模型结构。实验表明,ACO-BP-Cu模型能够根据Ti B和Ti B2陶瓷增强相特征参数有效预测铜基复合材料各项性能,且相对决策树、线性回归、K邻近法等9种回归算法准确率更高,稳定性更强。

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。

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BP神经网络的出口产品价格监测预警模型

根据反倾销理论,当出口商品的价格低于其正常价值、进口国同类商品的价格降幅明显且其生产者遭受到严重损失时,进口国政府将进行反倾销诉讼。基于此,以我国出口至美国的棉纱为例,利用BP神经网络建立了出口产品价格监测预警模型,旨在提高我国出口棉纱生产商及政府在面对美国反倾销诉讼或实施贸易保护政策时的反应能力。实验结果显示:该模型具有较高的训练和预测精度,可以起到预警的效果。

路面结构模量反演的蚁群算法研究

路面结构模量反算是一个复杂的非线性优化问题.通过对待反算参数进行离散,将路面结构参数反算问题转化为组合优化问题,建立了基于蚁群算法的路面结构参数智能反演模型.通过理论和实测弯沉盆的反算及分析,获得了满意的反算结果.研究表明,采用蚁群算法进行路面结构层模量反演,有效地解决了常规最优化算法的初始值和局部收敛的问题,不需多次调用正分析程序,提高了计算效率,是一种精度好、速度快、结果稳定且全局收敛的模量反算方法.

ACO-BP在神经网络训练中的研究与应用

针对神经网络收敛速度慢、易于陷入局部最优等问题,可将蚁群算法与人工神经网络相融合的方法来解决,但容易出现训练时间与训练精度、泛化能力之间的矛盾。为解决上述矛盾,提出将蚁群优化算法与反向传播算法相融合共同完成神经网络训练的方法。算法首先采用蚁群优化算法对网络权值进行整体寻优,克服反向传播算法容易陷入局部最优的不足再以找到的较优的权值为初值,采用反向传播算法做进一步的寻优,克服单一训练网络时间较长、精度不高的缺点。最后对ACO-BP与反向传播算法进行了比较,给出两种算法在不同隐结点数目下的检验误差值和两种网络在矿选指标中的应用效果。通过对实验结果的分析,表明ACO-BP算法要优于反向传播算法。

基于改进蚁群算法的机器人路径规划

本文主要结合蚁群算法对机器人路径规划进行了系统的研究。针对蚂蚁在搜索路径过程中落入障碍物陷阱而造成算法停滞的现象,提出了蚂蚁系统回退策略。为了检验改进型算法的性能,基于MATLAB软件设计了仿真程序。仿真结果表明:对基本蚁群算法的改进,提高了算法的有效性和鲁棒性,增强了蚁群算法在机器人路径规划中的适应能力。

蚁群和BP算法相结合的模糊Petri网参数寻优

在模糊Petri网(FPN)的建立过程中如何确定模糊产生式规则的各项参数是尚未解决的热点问题。在研究蚁群算法和反向传播算法的基础上首次将二者结合,形成ACA-BP算法,并将其运用于FPN的参数寻优过程中。该算法的实现不依赖于经验数据,对初始输入无要求。仿真实例表明,经ACA-BP算法寻优结果令人满意,且得到的FPN模型具有较强的泛化能力和自适应功能。

基于连续蚁群算法和小波支持向量机的位移反分析

提出一种基于连续蚁群算法和小波支持向量机的位移反分析模型。一方面利用具有良好时域、频域分辨能力和非线性学习功能的小波支持向量机建立反演参数和位移之间的非线性关系,避免了大量的数值计算,提高了预测精度;另一方面利用全局优化的连续蚁群算法代替传统的优化算法,避免优化过程中目标函数陷入局部最优,提高了反演的精度。应用该模型对三峡工程永久船闸高边坡4种介质弹性模量进行位移反分析,并利用反演所得参数进行监测点位移预测,计算值与监测值吻合较好,表明该方法适合解决具有非线性和不确定特性的岩土工程问题,在位移反分析中具有良好的实际应用价值。

航空发动机的智能神经网络自适应控制研究

针对结构复杂、模型不确定、强非线性的航空发动机对象,提出一种综合模糊推理、神经网络自适应和PID简单控制各自优点的控制方案.在改进模糊PID控制器的基础上,进行了新型智能型神经网络控制器的设计,并提出离线混沌蚁群优化与在线误差反传调整相结合的优化方法.应用具有良好泛化能力的最小二乘支持向量机进行系统辨识,对某型航空发动机进行了设计点处的线性和非线性模型控制仿真.结果表明:控制系统具有满意的动、静态性能和较好的鲁棒性,验证了该方案的可行性和有效性.

一种改进栅格蚁群算法的机器人路径规划

针对移动机器人规避障碍和寻找最优路径问题,提出了在复杂环境下移动机器人的一种路径规划方法,采用栅格蚁群算法规划出全局优化路径,通过信息素的存储方式的改进、距离启发信息调整和蚂蚁回退策略,从而使机器人能够安全顺利的到达目标点,实验结果表明所述方法对环境复杂程度的适应能力很强,能在较短时间内找到最佳路径.

便携式背散射检测仪样机设计

设计了一种便携式背散射检测仪,使用低活度133Ba作为射线源,以低功耗单片机MSP430F449为智能仪表核心。使用所设计的检测仪样机测量分别装有水和汽油的塑料瓶时,其计数有明显差异。该检测仪有望用于公共安全领域的反恐和边境、口岸的反走私工作。

基于蚁狮算法优化的BP-RBF功放行为模型研究

为了准确描述射频功率放大器特性,在仿真过程中,建立一个良好的功放行为模型就变得极其关键。文中提出了一种基于蚁狮算法(Ant Lion Optimizer,ALO)优化的BP-RBF级联神经网络射频功放行为模型,首先,采用飞思卡尔半导体芯片设计射频功放电路,对从设计的电路中提取出的电压数据进行处理,然后利用蚁狮种群中的多个个体并行寻优的能力,优化BP-RBF神经网络的权值和阈值,对改进优化后的ALOBP-RBF神经网络模型进行MATLAB仿真,通过比较电压均方根误差验证模型精确性。仿真结果表明,相比于BP-RBF、GABP-RBF模型,该模型具有更高的精度、更快的收敛速度,可以精确地模拟功率放大器的特性,对射频电路的建模具有重要意义。

网络搜索中的“死胡同”现象及蚁群改进算法

针对网络搜索时常会出现蚂蚁陷入所设置的禁忌表中,无路可寻的现象,提出了所谓"死胡同"现象并加以解决,给出了基于返回思想的改进蚁群算法。当蚂蚁走进了死胡同后,沿着原路返回,并寻找其他的路径绕过死胡同,继续向目标位置搜索,以提高蚂蚁寻找路径的成功率。对改进蚁群算法的参数进行了实验分析,并与其他三种算法进行了比较,仿真结果验证了本文所提出方法的有效性。

ACO-BP算法在化工过程故障诊断中的应用

将蚁群算法和BP神经网络相结合,利用蚁群优化算法与误差反向传播算法结合而构成的混合算法(ACO-BP)训练神经网络的权值和阈值,给出ACO-BP算法训练神经网络的基本原理和方法步骤,并将该算法应用于连续搅拌釜式反应器的故障诊断。仿真结果表明:ACO-BP算法具有较高的诊断精度,能够及时、有效地检测连续搅拌釜式反应器中存在的故障。

改进蚁群算法在机器人路径规划上的应用

采用蚁群算法求解移动机器人路径规划时,会出现收敛速度慢、搜索精度不高等问题。针对以上不足,首先,在传统蚁群算法的基础上对初始信息素采取非均匀式分配,避免蚂蚁进行无用的搜索行为,提高求解速度;其次,引入A*算法的启发搜索来改进蚁群算法的启发函数,加快搜索速度;然后,改进转移概率解决了死锁现象;最后,采用蚂蚁回退策略处理U型陷阱。MATLAB仿真结果表明,改进后的蚁群算法迭代次数减少了34%,搜索时间降低了60%,规划出的路径缩短了7%。

基于混沌蚁群神经网络的浮选过程经济技术指标预测

以选矿中的浮选生产过程为研究对象,提出一种基于混沌蚁群神经网络算法预测浮选过程经济技术指标的测量模型.采用主元分析进行输入数据集降维,应用混沌蚁群算法与最小二乘法相结合的混合算法调整前提参数和目标值,以取代二次规划求解优化问题,并达到求解速度快、仿真精度高的效果;同时,采用混沌蚁群算法训练神经网络,在随机扰动或测量噪声存在的情况下仍可以达到较好的训练目的,并提高了网络参数辨识的收敛速度.同时,以某实际选矿浮选生产过程的生产数据作为建模和预测数据进行仿真分析,并与初始的主元分析-反向传播(BP)神经网络模型预测结果加以对比.结果表明,所提出的模型能够实现浮选过程经济技术指标的全局预测,与优化前的模型相比其预测误差明显较低,预测精度提高了1.8%,满足优化浮选药剂添加的计算要求.

基于非精确状态的蚂蚁网络在QoS路由选择中的应用

简要介绍了一种描述网络的非精确状态以及计算给定路径满足QoS的概率的方法和将基本的蚂蚁网络机制扩展为基于约束的选路的方法。结合前两者本文提出了一种基于蚂蚁网络并考虑了网络非精确性的QoS路由选择算法,即QRANP算法。

基于免疫连续蚁群算法的岩土工程反分析研究

基于进化算法等全局优化算法的岩土工程优化反分析是解决实际问题的一种较好的思路,但计算效率是这类算法的最大问题。为了克服这种反分析方法的缺点,提高反分析的计算效率,首次把一种新型仿生算法——连续蚁群算法引入岩土工程领域。并为了更进一步提高算法的效率,把免疫原理引入连续蚁群算法,提出了免疫连续蚁群新算法。在此基础上,结合有限元数值分析技术,提出了一种新的岩土工程反分析算法——免疫连续蚁群算法反分析。最后,通过一个简单算例验证了该法的有效性及卓越的计算效率。