一种基于SO-CNN模型的可见光室内定位优化方法

针对基于机器学习的可见光室内定位方法存在的手工调参、定位精度低等问题,结合蛇优化(Snake Optimization,SO)算法的寻优能力与卷积神经网络(Convolutional Neural Network,CNN)处理复杂非线性问题的能力,提出了一种基于SO-CNN模型的可见光室内定位优化方法。在考虑多径效应影响的情况下,采集每个位置点处的信噪比和对应位置坐标构建指纹数据库,对SO-CNN模型进行训练和测试,以得到最佳定位模型。实验结果表明,在5 m×5 m×3 m的房间中,与未经优化的CNN相比,该方法的平均定位误差降低了35.13%;与反向传播神经网络(Back Propagation Neural Network,BPNN)、多层感知器(Multilayer Perceptron,MLP)、SO-MLP相比,该方法的平均定位误差分别降低了54.75%,48.08%,37.01%。

粒子群优化径向基网络的空间调制信号检测算法

针对径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)参数确定不当时易陷入局部最优的问题,提出一种粒子群(Particle Swarm Optimization,PSO)优化RBFNN的空间调制正交频分复用(Optical Spatial Modulation Orthogonal Frequency Division Multiplexing,O-SM-OFDM)信号检测算法。在离线训练阶段,接收端收集部分信号作为训练集并建立RBFNN模型,利用PSO算法搜索RBFNN的最优宽度值,再将得到的模型用于系统进行在线检测。实验结果表明,PSO-RBFNN算法的误码率性能基本近似于最大似然(Maximum Likelihood,ML)检测算法,优于其他对比检测算法,且计算复杂度在光源数目为32、64及128时相较于ML检测算法分别降低了约39.59%、70.24%及85.24%。

基于神经网络的轻型客车悬架参数的优化

应用四轮相关的时域路面随机输入模型的不平度时间序列 ,对轻型客车的八自由度非线性平顺性模型进行了分析研究 ,并将计算出的平顺性指标作为输入 ,以径向基函数神经网络对后悬架参数进行了优化计算。算法准确 ,合理 。

考虑能见度影响的公路隧道照明动态优化与智能控制

为解决不同能见度影响下公路隧道实际路面亮度变化过大以及由此引起的行车安全与能源虚耗问题,本文提出了一种能够改善公路隧道照明环境的动态优化与智能控制方法.首先,通过对不同时空条件下的公路隧道进行现场试验和数据分析,得到了隧道内能见度的变化规律;其次,在公路隧道传统照明设计的基础上考虑能见度对照明环境的影响,建立了基于隧道内能见度、交通量、车速、路面亮度和照明亮度的按需照明与动态优化模型;随后,以不同地区公路隧道的实测数据为样本,结合划分出的公路隧道典型照明场景和模糊径向基神经网络算法构建了公路隧道照明智能控制模型,最后,通过仿真实验验证了所构建模型的有效性,其结果表明,本文所提出的优化控制方法能够在保证隧道照明安全性的前提下兼顾节能性.

基于线性优化模糊C均值算法和人工神经网络的光照传感器布局方法

针对目前光照传感器的布局方式计算量大、能耗高,易受人为因素的影响,难以准确地预测室内日光强度等问题,该文提出一种基于线性优化模糊C均值算法(LOFCM)和人工神经网络(ANN)的光照传感器布局方法。LOFCM算法利用线性优化(LO)稀疏权重矩阵后,使用模糊C均值(FCM)筛选数据,确定工作面光照传感器布局。随后,使用ANN分别训练工作面光照传感器测量值与4组辅助光照传感器测量值之间的非线性数学模型。实验结果表明,该文提出的基于LOFCM算法在保证计算工作面平均照度和均匀度准确的情况下,工作面光照传感器的数量比对比方法减少了37.5%。此外,在4组辅助光照传感器布局中,墙壁和窗户布局方式具有较好的预测精度,为预测室内日光强度提供了更加准确的预测方式。

一种基于自适应模糊神经网络的交通灯控制系统

交通灯控制是智能交通系统的一个重要部分,针对我国中等城市交通流具有模糊性、复杂性的特点,将模糊逻辑和神经网络相结合,采用模糊隶属函数来描述车辆排队长度和绿灯时间,建立了模糊神经网络交通灯信号控制模型。利用神经网络等技术对交通系统进行全局优化调度,并在此基础上形成调度指令,利用模糊控制的方法实现交叉口的交通灯控制。

基于优化神经网络的隧道照明控制系统研究

高速公路中的隧道属于特殊路段,内外环境的差别会造成司机的暗适应与明适应的视觉问题,给行车带来安全隐患;提出一种基于优化神经网络的隧道照明控制系统,根据洞外的亮度、车速、车流量等参数构造神经网络控制模型,以灯具的不同功率为网络输出,神经网络的系数与阈值通过粒子群优化进行更新,防止神经网络陷入局部最小,以ARM7微控制器为核心构造硬件模块,实际的系统测试证明,这种方法可以建立准确率较高的隧道照明控制模型,具有很强的实用价值。

基于BP神经网络的汽车轻合金零部件热处理工艺优化

采用5×30×6×2四层拓扑结构,以汽车轻合金零部件、固溶温度、固溶时间、时效温度和时效时间作为输入层参数,以拉伸性能和冲击性能作为输出层参数,构建了汽车常用轻合金零部件热处理工艺神经网络优化模型,并对该模型进行了训练、验证及产线应用。结果表明:该神经网络优化模型具有较好的预测能力和精准的预测精度,输出的拉伸性能和冲击性能平均相对预测误差分别为3.1%和3.2%。热处理工艺神经网络优化,可以明显提高汽车轻合金零部件的拉伸和冲击性能。

催化裂化轻柴油凝点遗传网络模型开发

首先介绍了一种基于自然选择和自然遗传学机体的全局搜索学习算法—遗传算法,并通过实测数据建立催化裂化轻柴油凝点网络结构数学模型,在线计算轻柴油油气分压和装置在线验证,该模型的预测误差小于0.6℃。;

船舶压载水紫外处理模块的模拟优化及实验研究

针对应用紫外(UV)技术处理船舶压载水过程中存在的机制不清、模拟困难等机理问题,采用系统改进前的实验结果作为样本,利用神经网络模型对影响系统杀菌效果的不同因子进行重要性排序。并结合计算流体力学(CFD)和光学仿真(Tracepro)对系统内UV灯管的不同排布方式进行内部流态和光强分布研究,提出系统的优化控制参数与调控对策。结果表明:UV为系统最重要的可控因子;卧式反应器低流量下易形成涡流,高流量下水力停留时间短,可能导致杀菌不彻底,而立式反应器更加合理,其水流主体方向上流态为推流,在径向方向上能够完全混合; UV灯管横置时光强分布最均匀,杀菌效果最好,与实验结果一致,实现了"灰箱"问题趋于部分"透明"。

基于径向基神经网络的导光条注塑工艺优化

以汽车前组合灯导光条为例,选择最优拉丁超立方抽样方法得到样本。选取熔体温度、模具温度、保压时间、保压压力和冷却时间5个参数为输入层,以最小体积收缩率与最小缩痕指数为输出层,构建径向基(RBF)神经网络模型。建立的模型经检验,拟合度高,误差小,可以替代仿真程序。应用Isight优化模块,得到一组最优注塑工艺参数组合,实际模拟结果和预测结果基本吻合,有效提高了成型质量。

自转旋翼机龙骨多目标优化设计

建立自转旋翼机龙骨的有限元模型,对自转旋翼机龙骨进行静力分析。以自转旋翼机龙骨的各个结构管的截面尺寸作为设计变量,以自转旋翼机的总质量为设计目标,运用ANSYS优化模块对自转旋翼机的轻量化设计进行初步研究。基于优化设计软件iSIGHT,通过试验设计和有限元分析结构建立龙骨设计变量与优化目标的径向基函数神经网络模型。利用NSGA-Ⅱ优化算法进行求解,完成对自转旋翼机龙骨的优化。

基于PSO-BP神经网络的光纤传感器光强补偿

基于反射式强度调制光纤传感器在测量实验过程中易受周围环境影响造成光源波动以及对探头的欺骗,提出了一种补偿措施,使用粒子群(PSO)优化反向传播(BP)神经网络算法补偿传感器获得光功率值,该算法不仅利用了PSO的寻找粒子群体的最佳位置的搜索性能,还利用了BP算法比较强的局部最优权值阈值搜索性能,粒子群算法优化反向传播神经网络的权值和阈值,从而达到防止反向传播神经网络陷入局部最优的情况。实验中利用光纤探头内圈光纤和外圈光纤接收的光功率值分别对PSO-BP神经网络和反向传播神经网络进行训练,结果表明PSO-BP神经网络的均值误差小于BP神经网络的均值误差,说明其光强补偿的精度更高,该算法能更加有效地减少周围环境影响以及光源波动对光纤传感器光纤接收的影响,有较好实际应用价值。

某火箭炮托架结构的优化设计与研究

以某火箭炮托架结构为研究对象,在多学科多目标优化软件Isight中建立全自动仿真优化分析平台。采用最优拉丁超立方最优值附近加密的实验设计方法探索设计空间,提出一种改进的EBF神经网络技术构建近似模型,运用多岛遗传算法和序列二次规划法组合优化策略进行优化分析,为机械结构的轻量化提供了一条可行的技术途径和研究方法。

Stewart载物平台位姿误差估计模型

提出了一种通过单目结构光相机测量Stewart载物平台位姿的方法,搭建了位姿误差测量试验台,对Stewart载物平台位姿误差进行了测量。建立了一种使用多元宇宙优化算法(multi-verse optimizer,MVO)优化反向传播(back propagation,BP)神经网络的Stewart载物平台误差估计模型,并利用测量得到的误差数据对模型进行了训练。通过测试数据对误差估计模型的有效性进行了验证。实验结果表明,模型可以更好地估计沿z轴方向的位移误差以及绕x轴和绕y轴的旋转误差,为Stewart平台的位姿测量研究提供了一种新方法。

常压塔轻质油产量优化技术的研究与应用

常压蒸馏是炼油企业的第一道工序,轻质油产率的大小决定效益的多少,因此优化参数提高效益十分关键。提出一种基于高斯变异算子的差分多目标算法对常压塔进行优化。该算法采用切比雪夫分解法,在种群变异过程中引入高斯变异算子增加多样性,与此同时引入差分算法,增加算法的收敛速度,避免算法陷入局部最优解。将改进算法应用于两种测试函数与未改进算法做比较,具有较大优势,最后对常压塔轻质油产量进行优化,效果明显,轻质油产量得到提升。

基于克隆优化的船舶号灯神经网络识别模型

针对复杂光环境下船舶号灯识别模型的高维、强非线性及影响因素复杂等特性,提出一种基于克隆选择优化算法的BP神经网络识别模型.通过对影响因素的筛选确定BP神经网络的输入,将号灯识别码作为网络的输出确定BP神经网络模型.采用免疫克隆选择优化算法,确定网络层数和各层节点数目,结合灵敏度分析法选择非线性寻优的方向和尺度,以减少BP神经网络的迭代次数,提高搜索效率.通过对海上夜航时拍摄的一些实景照片进行学习和识别的仿真,验证了所建立的船舶号灯识别模型的有效性.

基于并行全连接卷积神经网络模型的室内可见光信道的最优灯源布局

针对室内LED灯源光强分布不平坦、传统Lambert模型未考虑非直射信道、环境中噪声和干扰、障碍物遮挡、室内边界及不规则房间布局等问题,提出基于并行全连接-卷积神经网络(PFCNN)模型的室内可见光定位(VLP)最优灯源布局方案。通过采集现场灯源坐标、功率和朝向角等灯源信息及其对应的接收平面光强分布构建指纹库数据集,并用蒙特卡罗方法衡量光强分布平坦度参数;提出采用全连接神经网络和并行全连接神经网络建立可见光信道模型;基于PFCNN模型构建光强平坦度预测模型;采用动量粒子群优化K-Means++(Mot-PSO-K-Means++)算法实现最优灯源布局。仿真分析可知:并行全连接神经网络相比全连接神经网络精确度提升84.69%;在5 m×5 m×3 m的室内空间中,4-LED布局下光强平坦度达到92.00%,光强范围为340~440 lx;12-LED布局下光强平坦度达到91.00%,光强范围为980~1120 lx。该方案有更高的平坦度、较强适用性,可应用于实际室内VLP场景,为室内VLP深入研究提供理论支撑。

基于BP神经网络与遗传算法的液烃回收装置参数预测与优化

天然气液烃回收装置中,各操作参数间关联密切,混合制冷剂的组成和配比直接影响系统能耗和产品质量。基于某液烃回收装置的实际生产数据建立了该系统的BP神经网络模型,可根据天然气进料和生产要求变化优化预测混合制冷剂配比及其他关键操作参数。该模型整体预测精度较高,大多输出参数的平均绝对百分比误差小于5%,最小误差低至0.118%。用遗传算法对预测效果不理想的输出参数进行优化,制冷剂分离器液相流量误差由9.208%降低至3.321%,塔顶一板压差误差由9.602%减小为4.051%。基于所建立的GA-BP神经网络模型在夏、冬两季不同进料条件下,对制冷剂组分和制冷剂分离器液相流量、压力两项关键操作参数进行优化。优化结果表明,在夏季工况下应适当增加混合制冷剂中甲烷、丙烷和异丁烷的摩尔分率和液相制冷剂流量,并减少制冷剂中乙烯的摩尔分率。在冬季工况中,应适当减少异丁烷摩尔分率,并降低液相制冷剂压力。以夏季进料条件为例,优化混合制冷剂配比和各项操作参数,优化后制冷系统能耗降低518.12kW。