针对单一的BP神经网络在进行锂离子电池的荷电状态(state of charge,SOC)估计时存在估计精度不高的问题,提出了一种基于改进灰狼优化算法(improved grey wolf optimization algorithm,IGWO)的BP神经网络来估计锂离子电池SOC的方法。通...针对单一的BP神经网络在进行锂离子电池的荷电状态(state of charge,SOC)估计时存在估计精度不高的问题,提出了一种基于改进灰狼优化算法(improved grey wolf optimization algorithm,IGWO)的BP神经网络来估计锂离子电池SOC的方法。通过采用改进的灰狼优化算法来优化BP神经网络的权值和阈值,来克服单一的BP神经网络容易陷入局部最优的缺陷,并且加快了收敛速度。经仿真实验表明,BP神经网络估计锂电池SOC的平均绝对误差为6.39%,而基于IGWO-BP神经网络估计锂电池SOC的平均绝对误差为1.45%,相比于单一的BP神经网络,平均绝对误差减少了4.94%,证明提出的算法提高了SOC的估计精度。展开更多
为准确预测纯电动汽车车内声品质,以心理声学客观参量为自变量,以纯电动汽车车内声品质主观评价值为因变量,搭建基于改进后的灰狼算法(Improved Grey Wolf Optimization,IGWO)优化的BP神经网络预测模型IGWO-BP,采用IGWO对BP神经网络的...为准确预测纯电动汽车车内声品质,以心理声学客观参量为自变量,以纯电动汽车车内声品质主观评价值为因变量,搭建基于改进后的灰狼算法(Improved Grey Wolf Optimization,IGWO)优化的BP神经网络预测模型IGWO-BP,采用IGWO对BP神经网络的权值和阈值进行优化,解决BP神经网络对初值敏感、易陷入局部最优的问题。将其预测结果与BP神经网络预测结果进行对比分析,结果显示基于IGWO-BP神经网络预测模型可大幅度提高车内声品质预测精度,表明该模型较适用于纯电动汽车车内声品质预测。展开更多
针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
文摘针对传统BP神经网络估算电池SOC过程中,存在初始权值和阈值对预测精度影响较大的问题,引入Tent混沌映射和自适应收敛因子对灰狼算法(GWO)进行改进,改善灰狼算法易陷入局部最优、后期迭代效率不高的缺点。将改进灰狼算法(improved grey Wolf algorithm,IGWO)与BP神经网络模型结合,得到BP神经网络最优初始权值和阈值,提高预测精度和收敛速度。对锂电池充放电实验数据预处理,得到样本数据。利用MATLAB进行仿真验证,结果表明,IGWO-BP神经网络算法的预测精度相较于传统BP神经网络算法、GWO-BP神经网络算法更优,基于改进灰狼优化BP神经网络估算电池SOC的方法的绝对误差能控制在1.53%以内,有效提高了预测精度和收敛速度。
文摘为克服传统测量浮选回收率方式存在的低效率、滞后性等问题,结合紫金山硫化铜矿浮选厂生产情况,采用基于MI(Mutual Information)互信息法对选厂原矿品位、丁铵黑药用量等浮选条件因子进行特征选择,在此基础上,建立了基于BP(Back Propagation)、GWO-BP(Grey Wolf Optimizer-Back Propagation)、I-GWO-BP(Improved-Grey Wolf Optimizer-Back Propagation)的三种浮选回收率预测模型,并选取紫金山硫化铜矿浮选车间生产数据进行神经网络训练与验证试验,分析了浮选回收率预测模型的准确性。结果表明:相较于基于BP、GWO-BP的浮选回收率预测模型而言,基于I-GWO-BP的浮选回收率预测模型具有更大的相关系数和更小的均方误差根,说明该模型泛化拟合能力更强,对浮选回收率的预测值在很大程度上逼近于真实值,预测精度更高。本研究结果可为实现浮选回收率高效、准确、自动的在线预测技术开发提供支持。
文摘针对单一的BP神经网络在进行锂离子电池的荷电状态(state of charge,SOC)估计时存在估计精度不高的问题,提出了一种基于改进灰狼优化算法(improved grey wolf optimization algorithm,IGWO)的BP神经网络来估计锂离子电池SOC的方法。通过采用改进的灰狼优化算法来优化BP神经网络的权值和阈值,来克服单一的BP神经网络容易陷入局部最优的缺陷,并且加快了收敛速度。经仿真实验表明,BP神经网络估计锂电池SOC的平均绝对误差为6.39%,而基于IGWO-BP神经网络估计锂电池SOC的平均绝对误差为1.45%,相比于单一的BP神经网络,平均绝对误差减少了4.94%,证明提出的算法提高了SOC的估计精度。
文摘为准确预测纯电动汽车车内声品质,以心理声学客观参量为自变量,以纯电动汽车车内声品质主观评价值为因变量,搭建基于改进后的灰狼算法(Improved Grey Wolf Optimization,IGWO)优化的BP神经网络预测模型IGWO-BP,采用IGWO对BP神经网络的权值和阈值进行优化,解决BP神经网络对初值敏感、易陷入局部最优的问题。将其预测结果与BP神经网络预测结果进行对比分析,结果显示基于IGWO-BP神经网络预测模型可大幅度提高车内声品质预测精度,表明该模型较适用于纯电动汽车车内声品质预测。
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。