基于改进CFA PSO-RBF神经网络的温室温度预测研究

为了科学地控制温室温度环境,提升温室温度的预测精度,提出一种改进收缩因子粒子群优化的径向基函数(RBF)神经网络预测模型。利用最大最小距离算法确定RBF神经网络的隐层节点个数;应用改进收缩因子粒子群优化RBF神经网络的隐层基函数中心和场域宽度;与RBF神经网络算法、PSO-RBF神经网络算法、CFA PSO-RBF神经网络算法的预测精度进行比较,分析预测模型性能。实验证明,在神经网络参数选择合理的情况下,与其他神经网络算法相比,改进CFA PSO-RBF神经网络算法具有更好的预测效果。

高斯变异粒子群优化径向基神经网络铣削力预测

针对传统电流-切削力神经网络预测模型精度不高且神经网络参数难以确定的问题,将主轴电流与驱动轴电流同时考虑作为输入样本,提出帐篷映射下高斯变异粒子群优化径向基神经网络算法。算法在改进收缩粒子群径向基神经网络(改进CFA PSO-RBF)的基础上,对粒子位置初始化采用帐篷映射(Tent Map),同时提出粒子动态高斯变异。该算法能够均匀化粒子初始位置,控制变异过程,并有效避免算法陷入局部最优的早熟问题。基于此方法进行算法对比分析实验,结果表明:同时考虑主轴与驱动轴电流,较单一考虑主轴电流,铣削力预测精度更高;在该算法下,随机15次训练结果平均均方根误差低于BP、RBF、改进CFA PSO-RBF神经网络,能够有效提高铣削力预测精度。