基于粒子群优化BP神经网络PID的供热控制系统仿真研究

供热系统技术属于清洁技术,但其能耗非常大,因此在供热系统中能源的损耗问题就显得尤为重要。与此同时,我国供暖过程多数是用传统PID对供暖系统进行控制,由于传统PID控制响应时间长、超调量高且受外界影响较大,造成能源未充分利用、浪费现象严重。因此针对此问题,提出了在供暖系统中采用一种基于粒子群优化BP神经网络PID的控制策略,不仅可以解决供暖时水温不稳定、水温上升时间长等问题,而且可以更好地解决能源未充分利用问题。本文建立供热系统的数学模型,然后利用Matlab中的Simulink设计并仿真粒子群BP神经网络PID控制器。实验结果表明,改进后的PID控制器抗干扰能力强且具有较好的鲁棒性,对供热控制系统有更好的控制效果。

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。

基于粒子群优化算法的PSO-BP海底声学底质分类方法

利用粒子群优化算法(PSO)较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。

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。

基于蚁群改进BP算法的组合预测模型在军械器材需求预测中的应用

针对在军械器材采购计划制定环节中的器材需求测算问题,提出基于蚁群改进BP算法的组合预测模型。先结合历史数据,利用多元线性回归预测法和自回归滑动平均模型(ARMA)进行初步预测,将初步预测的结果作为蚁群改进BP网络的输入,从而得到最终的预测结果。实验结果表明,基于蚁群改进BP算法的组合预测模型能够对积累的历史数据进行充分的应用,并且有较高的预测准确性。

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.

粒子群优化BP算法在电力系统短期负荷预测中的应用

为提高电力系统短期负荷预测的精度,引入一种新型的群智能方法——粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型.通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求.

基于灰色关联度的粒子群优化BP在辛烷值预测中的应用

提出了基于改进的灰色关联度的粒子群优化BP神经网络的方法,将其应用到辛烷值预测研究;通过实例分析,并与传统的BP神经网络进行对比,说明该模型的预测精度高、算法稳定、泛化性能好,更适合于生产控制的需要.

用BP网络群识别手写体数字的新方法

本文采用人工神经网络群进行手写体数字识别,把多模式分类转化为二模式分类,降低了网络面临的函数逼近的复杂性,并运用改进BP算法对网络进行训练,提高了训练速度、改善了网络性能。实验表明采用此方法的识别系统在性能上优于单BP网络识别系统。

粒子群优化BP算法在短期负荷预测中的应用

电力系统短期负荷预测是电力系统调度运营和用电服务部门的重要日常工作之一,其预测精度直接影响到电力系统运行的安全性、经济性和供电质量。为提高预测精度,本文引入一种新型的群智能方法--粒子群优化算法,并将这种智能算法与BP算法相结合,形成了粒子群优化BP算法模型,建立了计及气象因素的短期负荷预测模型。通过具体算例将此模型与单纯的BP模型进行比较,结果表明:该算法具有较高的预测精度,完全能满足实际工程的要求。

改进粒子群优化BP神经网络粮食产量预测模型

综合考虑影响粮食产量的多种因素,运用改进的粒子群算法优化BP神经网络的初始权重,建立了适合小样本粮食产量的预测模型.实验表明,与BP神经网络粮食预测模型和PSO-BP神经网络粮食预测模型相比,该模型具有更高的预测精度和较大的适应度.

基于粒子群-BP神经网络的陀螺温漂建模

针对哥氏振动陀螺的温漂问题,本文采用基于粒子群的BP神经网络算法对压电振动陀螺的温度漂移现象进行建模,并在算法中加入高斯噪声干扰;相对于传统的单BP神经网络算法,含有噪声的粒子群—BP神经网络算法,在精度和收敛速度两个方面有了较大提高,所构建的温漂模型具有更好的非线性描述能力,从而能为哥氏振动陀螺提供了更高精度的零电位误差补偿。

一类B_p群及其应用

群Ｇ称为Ｂ＿ｐ群，如果Ｎ＿ｇ（Ｐ）为ｐ－幂零蕴含Ｇ为Ｐ－幂零。证明了以下结论：１）设Ｐ为有限群Ｇ的ｐ－Ｓｙｌｏｗ子群，如果Ｐ的每极小子群及４阶循环子群在Ｐ内拟正规，则Ｇ为Ｂ＿ｐ群２）设Ｐ为有限群Ｇ的Ｐ－Ｓｙｌｏｗ子群。如果Ｐ的极小子群及４阶循环子群在Ｎ＿Ｇ（Ｐ）内拟正规，且其每元与Ｎ＿Ｇ（Ｐ）的每ｑ－元（ｑ＜ｐ）可交换相乘，则Ｇ为Ｐ－幂零。３）有限群Ｇ若有正规子群Ｎ，使Ｇ／Ｎ∈，又对每Ｐ∈Ｓｙｌ（Ｎ）．均有Ｐ的极小于群及４阶循环子群在Ｎ＿Ｇ（Ｐ）内拟正规，则Ｇ∈。其中为包含超可解群系的饱和群系。

关于B_p群的一个充分条件

设P是有限群G的一个Sylow p-子群,如果N_G(P)为p-幂零一定意味着G为p-幂零,则称G为B_p群.该文给出了B_p群的一个充分条件.

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。

改进的QPSO-BP算法的铀价格预测模型及应用

铀产品价格的变化直接决定了铀矿项目的价值,铀产品价格的预测,可提高企业的经营决策能力和抗风险能力。为提高预测的精度,采用基于改进的量子粒子群算法优化训练BP神经网络的学习算法,对铀价格进行建模预测。采用改进的QPSO算法优化BP网络的权值与阈值。将通过优化搜索得到的粒子的位置向量解码作为网络的权值与阈值,选择网络结构5-11-1对铀价格进行预测。结果表明:QPSO-BP模型的预测精度(0.15%)高于PSO-BP模型(4.55%)与BP模型(30.86%)。泛化能力指标平均相对变动值为0.002 5,预测结果的泛化能力提高。相对误差分布集中,预测结果稳定。说明该模型在铀价格预测中有效,对项目投资决策有一定的参考价值。

IPSO-BP算法在半主动悬架控制中的应用

为了改善半主动悬架的性能,提出采用改进的粒子群优化(improved particle swarm optimization,IPSO)-向后传播(back propagation,BP)算法作为半主动悬架自适应控制,该算法将标准粒子群算法进行改进,用以改善粒子群全局收敛性和收敛速度,并将改进后的IPSO算法作为BP神经网络的学习算法,用于半主动悬架的自适应控制.自适应控制器采用了双神经网络单元结构,一个作为输入端的控制器,根据路面输入调节半主动悬架阻尼值,另一个作为半主动悬架的辨识器,并进行在线识别.通过该控制器进行半主动悬架自适应控制数值仿真,结果表明,基于该算法的控制器明显改善了汽车的舒适性和平顺性,使得车身的垂向加速度比粒子群优化(particle swarm optimization,PSO)-BP半主动悬架的降低了21.73%,提高了汽车悬架的性能.

基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSSDR13的150000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u,g,r,i,z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法(GA)优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法(PSO)不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络(PSO-BP)。实验中将光谱红移作为期望值,采用均方差(MSE)作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.00192,GA-BP网络的MSE值0.001728,PSO-BP网络的MSE值为0.001708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻(KNN)测光红移估计算法,克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。

基于PSO与BP神经网络的脱机手写体汉字识别算法

汉字识别的算法研究是模式识别中的热点课题。文章针对脱机手写体汉字提出了一种用PSO算法优化BP神经网络的脱机识别算法。关于BP算法在训练时易出现局部极小化的现象,PSO算法可通过大空间内的搜索能力,在全局中优化BP算法。文章基于粒子群算法优化BP神经网络(PSO-BPNN)研究脱机手写体汉字识别算法,通过Matlab软件对样本数据进行分类仿真。结果表明,PSO优化后的算法具有较高的收敛速度和稳定性,对手写体汉字的识别具有较强的能力。