粒子群优化模糊系统的铣削力建模方法

根据铣削力的特点,提出用模糊系统进行铣削力建模的新方法。根据铣削力的特点和研究目的,设计钛合金铣削试验,试验在数控铣床上进行,用测力仪进行铣削力测量,由试验得到铣削力的训练数据和测试数据。在分析基本粒子群算法优缺点的基础上,将梯度下降算法嵌入基本粒子群算法形成改进粒子群算法。通过训练数据分别用梯度下降算法、基本粒子群算法和改进粒子群算法训练模糊系统,改进粒子群算法的收敛效果优于梯度下降算法和基本粒子群算法。用回归分析对铣削力进行建模,回归函数分别取为指数形式与线性全因子多项式形式,这样得到两种铣削力经验公式。用测试数据对各方法得到的模型分别进行测试,改进粒子群算法训练模糊系统的预测效果优于其他方法。预测结果验证了用改进粒子群算法训练的模糊系统进行铣削力建模是可行的。

双进双出磨煤机模糊神经网络建模与仿真

针对一般经验公式或者回归分析方法难以得到准确的双进双出磨煤机运行模型的问题,在对双进双出磨煤机结构及运行机理深入分析、得出相关参数的基础上,提出了一种基于Takagi-Sugeno结构的双进双出磨煤机模糊神经网络建模方法,并应用粒子群算法对网络的各初始权值和阈值进行优化.在M atlab环境下,与传统非线性方程建立模型的方法相比较,本方法仿真效果更优越,同时也证明了模型的有效性.

基于粒子群优化模糊系统的水田耕整机功耗建模

针对耕整机功耗影响因素多且相互之间为复杂非线性关系的问题,提出了用模糊系统进行功耗建模的方法。以水田耕耙平地机为例,设计多功能耕整机功率消耗试验,由试验得到功耗的训练数据和测试数据。根据训练数据分别运用基本粒子群算法和带惯性因子的粒子群算法训练模糊系统,得到两种耕整机功耗预测模型。为验证模糊系统的可行性,同时用回归分析法对功耗进行建模,采用线性全因子多项式形式的回归函数,得到功耗经验公式。运用测试数据对建立的3种功耗模型进行测试,结果显示:采用带惯性因子的粒子群算法建立的模糊系统模型预测结果相对误差平均值小于11%,优于另外两种模型,用该方法进行水田耕整机功率消耗建模是可行的。

基于模糊聚类和模糊积分的森林蓄积量预测模型

以塞罕坝机械林场的资料为基本数据源,通过模糊聚类分析蓄积估测的重要因子,利用区间值带符号模糊测度的Choquet模糊积分作为组合算子,给出一种基于模糊积分的非线性组合预测森林蓄积量的模型,采用粒子群算法和遗传算法求解该模型,结果说明了粒子群算法在求解该模型时,比遗传算法的收敛速度较快,而且能搜索到比遗传算法更优的解,估测的森林蓄积量与真实值更贴近。

基于机器学习的热轧轧制力预测

针对传统轧制力数学模型预测精度差的问题,基于板带轧制数据和支持向量回归(SVR)模型对轧制力进行预测。采用主成分分析(PCA)技术来降低输入变量的维数,同时提出了改进粒子群优化(IPSO)算法调节惯性权值和加速因子,并采用IPSO算法对SVR模型中的惩罚因子c、核函数参数g和不敏感损失参数ε进行优化,最终建立PCA-IPSO-SVR轧制力预测模型。与PCA-PSO-SVR、PSO-SVR和Grid-SVR模型相比,PCA-IPSO-SVR模型的3种误差指标处于最低水平,且平均绝对百分比误差(MAPE)为4.8153%。仿真结果表明:与常规PSO算法相比,IPSO算法可以避免陷入局部极小值,从而获得模型最优参数和提高模型预测精度;与其他3种模型相比,PCA-IPSO-SVR模型具有较高的预测精度和较好的泛化性能。