基于CPSO-Elman神经网络矿井下可见光定位

针对传统矿井下定位方法精度偏低问题,提出一种混沌粒子群优化(CPSO)Elman神经网络矿井下可见光定位系统。由于Elman神经网络在初始化时存在参数设置的随机性导致预测精度不高,采用CPSO算法优化Elman神经网络,选取适合的各层的初始权值和阈值,用于提高神经网络拓扑的稳定性。仿真结果表明:在3.6 m×3.6 m×3.6 m的环境里,本文所提的算法的平均定位误差达到3.70 cm,最大定位误差为26.54 cm,在实验阶段的平均定位误差为5.91 cm,最大定位误差为36.95 cm,能够满足煤矿井下定位需求。

Levy-CPSO-GA算法在空调冷负荷预测模型LSTM中的应用

针对单一算法优化空调冷负荷模型参数存在的局限性及对预测精度的需求,本文提出了基于遗传算法(genetic algorithm,GA)进化、莱维飞行(Levy)及粒子群(particle swarm optimization,PSO)优化算法的协同并行混合算法Levy-CPSO-GA。将初始种群初始化为2个同规模种群,分别按照合作机制和竞争机制并行更新,种群1采用Levy飞行产生随机新巢方式自适应初始化PSO,同时引入迭代极值,记录粒子群的信息交换;种群2按照GA更新,种群间通过适应度交流,以最优适应度更新群体,将混合算法应用于优化长短期预测模型(long short-term memory,LSTM),并将结果与各预测算法进行比较。研究结果表明,优化后的预测模型,预测精度大幅提高,与ELM相比,RMSE降低了81.1%;与LSTM模型相比,误差显著降低,RMSE降低了26.4%,在第105个预测点处,该预测模型的绝对误差为-0.6829,相比于ELM的绝对误差值-7.3135,其精度提高了90.66%,预测性能优于其他算法。该研究对准确预测冷负荷具有重要意义。

飞机舱门收放系统CPSO-BP神经网络故障仿真与诊断

针对民机舱门收放系统故障模拟代价大、故障数据少、故障诊断精度低的问题,提出基于CPSO-BP神经网络的飞机舱门收放系统故障诊断方法。根据民机舱门系统工作特性和高发故障的情况,确定流量控制阀磨损、液压马达泄漏、液压油污染和节流阀阻塞4种典型故障模式;建立飞机舱门AMESim收放系统仿真模型,通过典型故障的仿真分析获得120组故障数据,构建包含29520个样本的故障数据集;采用BP神经网络进行故障诊断,其平均诊断正确率仅为85.36%。采用混沌粒子群算法(CPSO)优化BP神经网络的初始权重和阈值,故障诊断正确率达到93%,提高了飞机舱门收放系统的故障诊断正确率。

基于FTA优化CPSO算法的锻压机典型故障诊断研究

为适应多种类型的产品加工需求,锻压机具高度自动化控制能力的提高尤为重要。采用单一智能故障诊断算法无法达到高的故障诊断率以及需要设置复杂的诊断措施等,综合故障树分析(FTA)与混沌粒子群(CPSO)算法相结合方式实现故障诊断。分析实际传感器测点,并与GA与PSO算法结果进行对比。结果表明:FTA-CPSO算法的故障诊断准确率比GA高6.25%,比PSO高4.20%;FTA-CPSO算法可以获得较小的误差,相对GA与PSO达到了更优的诊断性能;经过多次迭代后,所有算法的适应值都减小;FTA-CPSO可以在最短时间内完成迭代计算,有效降低迭代次数,同时搜索时间也明显缩短。

基于CPSO算法的区域综合能源系统优化分析

阐述区域综合能源系统结构模型,综合考虑相关能源成本,利用CPSO算法求解高维优化问题。实验结果表明,综合能源系统的优化,可以有效降低系统运行成本。

基于ADAMS与CPSO算法的火炮结构参数优化设计研究

针对火炮动力学模型是多部件、强非线性的系统,直接在ADAMS环境下对火炮结构参数进行优化,可能存在实现难度大、迭代次数过多、优化效果不明显等问题,提出了基于ADAMS与CPSO算法相结合的火炮结构参数优化设计方法.在利用Pro/E与ADAMS建立火炮虚拟样机并进行仿真试验的基础上,采用混沌粒子群算法对火炮结构参数进行优化,从而获得火炮结构参数和炮口扰动优化结果.根据优化值与初始值的对比分析,证明了文中所提优化设计方法合理可行.

基于自适应CPSO算法的二维模糊熵图像阈值分割

由于PSO算法会出现虚假收敛或者早熟等现象,提出了一种自适应混沌粒子群算法(ACPSO)及其在图像分割中的应用。首先提出了一种改进的自适应粒子群优化算法(IAPSO)。然后在IAPSO的基础上,加入了混沌优化方法,用混沌变量来初始化粒子的位置和速度,并用新的无限折叠混沌映射对算法进行混沌变异,从当前群体中择优选择部分粒子进行混沌优化。最后将ACPSO算法应用到图像分割中。通过与最大模糊Shannon熵阈值分割法、基于基本PSO的最大模糊Shannon熵阈值分割法进行对比,验证了基于自适应CPSO算法的二维模糊熵阈值图像分割方法的性能更好。

基于CPSO-BP神经网络的风电并网暂态电压稳定评估

针对目前传统方法难以快速、准确判断风电并网后系统暂态电压稳定性的问题,提出了一种基于CPSOBP组合的风电并网暂态电压稳定评估方法。首先采用混沌理论对粒子群算法的不足进行改善,应用改进后的算法对神经网络的初始权值和阈值进行优化,然后利用系统故障前后采集的传统物理量和风电场相关的物理量作为BP神经网络输入特征量进行监督学习,最后将训练得到的模型应用于风电并网系统的暂态电压稳定评估中。利用英格兰10机39节点系统标准算例进行风电并网仿真分析,结果证明了所提方法的有效性。

基于CPSO-RBF神经网络喷氨量的最优控制

火力发电厂选择性催化还原脱硝控制方法中,由于PID控制算法具有较大的惯性和延迟,喷氨量的控制精度导致烟气出口NO_x含量过高,不符合国家环保标准。因此,在分析脱硝喷氨控制影响因素基础上,建立选择性催化还原系统出口NO_x的径向基函数神经网络预测模型,采用混沌局部搜索算法确定最大迭代步数,并利用混沌粒子群优化算法(CPSO)求取最优解,以实现喷氨量的最优控制。仿真实验结果表明:与传统的PID控制算法相比,提高了喷氨量的控制精确和脱硫效率,同时降低了氨气的逃逸率。

基于CPSO-RLS的电力系统谐波估计融合算法

针对非线性动态负载引起的谐波检测难的问题,提出了一种新的估计电力系统谐波的算法。该算法首先利用混沌粒子群算法(CPSO)的全局搜索性,对未知参数进行优化估计,然后将CPSO算法优化的值作为RLS算法模型的初始权值;最后借助RLS算法进行谐波的有效提取。通过实验仿真,与CPSO算法相比,谐波振幅估计精度最大提高7%,相角估计精度最大提高1.24%。仿真结果表明,该算法在保证收敛速度的同时具有更高的估计精度。

基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。

CPSO算法在TOPMODEL参数优化中的应用

以江西省抚河娄家村流域为例,采用混沌粒子群优化算法(CPSO)优化半分布式水文模型(TOPMODEL)参数,并对优化结果进行了检验。结果表明,该法有效改善了PSO的全局寻优能力,粒子群体进化速度加快,收敛速度和精度提高。

基于CEEMD与CPSO-ELM的行星齿轮传动箱故障研究

鉴于现有行星齿轮传动箱应用在多种复杂环境,且在外界扰动较大时,齿轮磨损故障信号具有非平稳等特点,很难准确分离和识别出故障信号及故障类型,为解决问题,提出了一种基于互补集合经验模态分解(CEEMD)、混沌粒子群核极限学习机(CPSO-ELM)的行星齿轮传动箱故障信号处理及识别算法。为了验证CPSO-ELM算法对行星齿轮传动箱故障识别的优越性,引入传统的SVM分类器进行故障实验对比。实验结果表明CPSO-ELM算法识别更加精确、识别速度快,验证了本文提出的行星齿轮传动箱故障研究算法的有效性。

基于CPSO的点焊工艺参数统计建模和优化

电阻点焊是多种因素交互作用的复杂过程,点焊熔核直径和高度直接影响电阻点焊焊接强度,点焊熔核直径和高度又受到许多工艺参数的影响。对0.7mm厚AISI1008标准钢板进行点焊实验,在分析点焊焊接工艺的基础上,计全因子实验研究焊接熔核尺寸与焊接工艺参数(焊接时间、焊接电流、焊接压力)之间的关系,同时借助Minitab软件对实验数据进行多元线性回归分析,建立焊接熔核尺寸与焊接工艺参数的统计模型,并对焊接熔核尺寸进行预测。利用混沌粒子群算法(CPSO)对统计模型进行优化,获得最大焊接熔核尺寸下的最优工艺参数搭配。实验结果表明,与正交实验法相比,该方法具有更高的可靠性。

基于CPSO的WSN路由优化

针对传统的无线传感器网络存在网络生存时间短、能量损耗大、整个网络能量不均衡的问题,提出使用CPSO(混沌粒子群算法)对路由进行优化。介绍了对WSN(无线传感器网络)路由进行优化的过程。测试结果表明,经过优化的无线传感器网络具有网络生存时间长、能量损耗小、整个网络能量均衡的优点。

基于CPSO-BP神经网络-PID的热熔胶机温控系统研究

针对热熔胶机加热温度存在惯性大、滞后性强、非线性等缺点,且常规PID控制难以达到温控要求,提出了一种基于CPSO-BP神经网络的PID控制器参数自适应调整算法。该算法先用CPSO算法将BP神经网络的初始权值和阈值优化到全局极小点附近,然后用传统BP神经网络学习算法在线调整PID参数。采用MATLAB对设计的CPSO-BP神经网络-PID控制器进行了温控系统仿真分析,仿真结果显示该控制器可实现对热熔胶机温度的精确控制,具有良好的自适应性和鲁棒性;实验测得采用CPSO-BP神经网络-PID控制器的温控系统能够在3.5min内达到设定温度,温控精度为±2.5℃。CPSO-BP神经网络-PID控制器作为嵌入式系统的一个控制单元,已投入热熔胶机温控系统实际应用,使用效果表明:温控系统性能稳定,温控精度高,有效实现了热熔胶机加热温度的自动控制,具有良好的实际应用及推广价值。

自旋忆阻CPSO-PID神经网络

采用混沌粒子群优化算法(CPSO)对网络初始值进行迭代寻优,加快系统的收敛速度.为了实现PID神经网络的硬件平台搭建,新型纳米器件——自旋忆阻器,由于其独特的记忆特性和纳米级尺寸,被用来模拟电子突触,以实现神经元之间的相互连接.最后,通过对强耦合系统进行解耦控制验证了该方案的有效性.

一种改进的CPSO-LSSVM软测量模型及其应用

针对最小二乘支持向量机(LS-SVM)在处理大规模数据集的回归和分类问题时缺少支持向量所具有的稀疏性和难以确定最佳模型参数值的问题,提出一种改进算法,利用样本间马氏距离分析样本相似程度,剔除部分相关样本,对样本集进行约简,以恢复LS-SVM的稀疏性,进而利用具有较强全局搜索能力的混沌粒子群优化算法(CPSO)对LS-SVM建模过程中的模型参数进行优化选择,以提高模型的拟合精度和泛化能力。将提出的改进算法用于湿法脱硫系统浆液pH值的软测量建模,给出了应用该方法的具体步骤,研究结果表明,该算法取得了较高的建模精度和泛化能力,为pH值的在线实时监测提供了一个有效手段。

基于改进CPSO算法的区域电热综合能源系统经济调度

针对我国北方地区"以热定电"模式造成大规模弃风与调度经济性较差等问题,建立了区域电热综合能源系统日前经济调度模型。首先,构建了电储能、热储能和电动汽车的经济性模型,改进了风电折算成本的描述方法;然后,综合考虑了弃风成本、电动汽车调度成本、电储能和热储能损耗成本、环境污染成本等,构建了区域综合能源系统的调度成本模型;最后,利用信息熵衡量粒子的丰富度,并结合贪心变异策略提出基于粒子维度熵的改进混沌粒子群优化算法。算例结果表明,所提算法在保证优越收敛性的同时可有效分析各设备单元在经济调度和消纳弃风方面的作用,验证了模型和算法的有效性与实用性。

CPSO-LSSVM在自回归钟差预报中的应用

建立了基于自回归算法的钟差预报模型,利用具有较强非线性运算能力和容错能力的最小二乘-支持向量机算法来求解自回归参数,同时利用具有快速寻优特点的粒子群算法来优化最小二乘-支持向量机参数。为了克服粒子群算法容易陷入局部极值而形成早熟的缺点,提出了分别在粒子初始化位置和陷入局部极值的位置上进行混沌处理,提高了粒子搜索的遍历性和寻优能力,从整体上优化了算法。最后通过星载钟差数据对该算法进行了验证,结果表明:本文算法能够实现亚纳秒量级的预报精度并提升卫星授时导航性能。