基于BP-PSO的智能阀门定位器控制算法研究

针对五步开关控制算法易超调以及控制参数取值具有近似性和不确定性等不足,提出了一种参数自整定和参数寻优的控制算法,并在最关键的脉冲调制控制环节运用了改进的BP神经网络算法和粒子群(PSO)算法来寻找最优阀门控制参数。搭建智能阀门定位器实验平台,采用传统五步开关控制算法和本控制算法分别对阀门进行控制试验。结果表明,本控制算法相较于传统五步开关控制算法的适用性大大增强,避免了超调,缩短了响应时间,阀门控制精度达到0.03%,阀门开度稳定时间缩短至1 s以内。

基于BP-PSO联合算法的沥青混合料空隙率反演计算

为提高沥青混合料空隙率反演计算效率,提出一种基于BP神经网络和PSO联合算法的沥青混合料空隙率反演计算方法.通过建立探地雷达电磁波在沥青路面结构层中的传播仿真模型,利用BP神经网络对仿真样本进行训练,得到能够反映输入和输出关系的回归曲面.利用PSO算法对回归曲面进行寻优,得到最优解.将该联合算法应用于沥青混合料空隙率反演计算中,反演计算结果表明:该联合算法能够在满足计算精度的条件下大幅提高计算效率,证明应用该联合算法反演计算沥青混合料空隙率的可行性和有效性.

基于混合采样和CAWOA-BP的变压器故障诊断

为提高变压器故障诊断准确率,提出了基于混合采样技术的数据处理方法和改进鲸鱼算法优化BP神经网络的故障诊断模型。首先通过Tomek links和SMOTE对原始数据进行去噪处理及少数类数据样本合成,然后采用Cubic map混沌映射及自适应权重调整策略改进鲸鱼算法(WOA),利用改进后的鲸鱼算法优化BP神经网络参数;最后,利用混合采样前后的数据对传统BP神经网络、WOA-BP、CAWOA-BP三种模型进行对比仿真试验。结果表明,使用混合采样后的数据训练模型会使模型故障诊断准确率提高,且CAWOA-BP模型的表现优于传统BP神经网络和WOA-BP模型。

基于AM-PSO-BP神经网络的打印路径规划

为提高弧焊焊接效果,提出一种基于AM-PSO-BP神经网络的弧焊打印路径规划方法。方法采用基于自适应方差的自适应变异操作(AM)消除粒子群优化算法(PSO)后期迭代效率低的问题,然后利用AM-PSO算法优化BP(back propagation)神经网络的权重和阈值,实现BP神经网络参数的优化;最后将AM-PSO-BP神经网络算法对弧焊打印工艺参数进行预测,获取更准确的弧焊打印工艺参数。仿真结果表明:所提方法可精确预测弧焊打印工艺参数,在该工艺参数下,弧焊打印的六边形柱体、圆柱体、正方体预测值与实测值相差较小,且在误差允许范围内,具有较高的准确性。以上方法可为精确弧焊打印提供依据。

基于改进PSO-BP神经网络的网络控制系统时延预测

针对网络控制系统存在的随机时延问题,本文基于BP神经网络(Back Propagation Neural Network, BPNN)建模方法,在PSO(Particle Swarm Optimization)算法的基础上引入遗传算法中交叉和变异的思想,同时对惯性权重和学习因子采用线性递减和异步时变的改进策略,提出了一种性能更优的改进PSO算法,并用该算法优化BP神经网络,构建了一种改进PSO-BP神经网络的时延预测模型;然后运用MATLAB TrueTime2.0工具箱搭建仿真平台,结合获取到的历史时延采样数据对改进PSO-BP时延预测模型和PSO-BP、BP模型进行性能对比测试.实验表明本文所提出模型的预测精度更高,误差更小,能较好的解决网络控制系统的随机时延预测问题.

基于PSO-BP的油气井钻速预测技术优化与仿真实验

为提高钻井效率,以钻速预测为研究对象,提出一种基于PSO-BP的数据分析方法。方法以BP神经网络为基础模型,通过采用PSO算法优化BP神经网络的初始权值和阈值,构建了PSO-BP神经网络预测模型。通过将影响钻速的相关参数输入PSO-BP神经网络预测模型,实现了钻速的精确预测。仿真结果表明,预测结果的MAE、SSE、MSE分别为2.33%、1.05%、1.33%,相较于直接采用BP神经网络进行钻速预测,方法在各项预测性能指标上的表现更好;相较于基于SVM模型、PSO-SVM模型的钻速预测,模型的预测性能更高,MAE分别降低了1.51%、1.23%,SSE分别降低了1.41%、0.34%,MSE分别降低了0.65%、0.36%,为提高钻井效率奠定了理论基础。

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。

基于BP神经网络的英语语音识别混合算法

随着计算机科学与技术的发展以及语言教学和学习方法的进步,计算机辅助语言学习技术使这一难题有了得以解决的可能。计算机辅助语言学习的核心是语音识别与评价技术,而语音识别技术又是关键所在。本文主要研究了基于BP神经网络的英语语音识别混合算法。本文首先介绍了BP神经网络的原理,并分析了BP神经网络在语音识别中的应用,根据英语语音识别的要求,通过对动量因子的优化,调整自适应速率,改进了BP神经网络模型。通过仿真实验结果可以得知,本文提出的IBPNN语音识别模型的识别率达到了97.2%,为语音识别的改进和优化提供了新的思路。

基于GA-BP模型的混合制冷剂天然气液化装置运行参数优化分析

天然气液化装置的制造及施工通常无法与设计参数保持完全一致,这些偏差的累积可能导致装置实际运行状态偏离于设计的最优工况。本文根据混合制冷剂天然气液化装置的实际历史运行数据,通过选择合理的节点,建立了基于BP神经网络的天然气液化装置比功耗预测模型;为了提高模型预测的准确性,利用遗传算法(GA)对神经网络的初始权值进行优化,形成了GA-BP模型。根据GA-BP模型,以天然气液化装置的比功耗最小化为目标,对该装置的主要操作参数进行了优化。结果表明,与原设计最优工况下的实测结果相比,采用优化后参数运行的混合制冷剂天然气液化装置比功耗比减小了4.3%,提高了整个装置的运行效率。本文研究的基于GA-BP模型的优化方法可为天然气液化装置的工艺设计与高效运行提供参考。

基于动量自适应学习率PSO-BP神经网络的钻速预测模型研究

机械钻速(rate of penetration,ROP)是钻井作业优化和减少成本的关键因素,钻井时有效地预测ROP是提升钻进效率的关键。由于井下钻进时复杂多变的情况和地层的非均质性,通过传统的ROP方程和回归分析方法来预测钻速受到了一定的限制。为了实现对钻速的高精度预测,对现有BP (back propagation)神经网络进行优化,提出了一种新的神经网络模型,即动态自适应学习率的粒子群优化BP神经网络,利用录井数据建立目标井预测模型来对钻速进行预测。在训练过程中对BP神经网络进行优化,利用启发式算法,即附加动量法和自适应学习率,将两种方法结合起来形成动态自适应学习率的BP改进算法,提高了BP神经网络的训练速度和拟合精度,获得了更好的泛化性能。将BP神经网络与遗传优化算法(genetic algorithm,GA)和粒子群优化算法(particle swarm optimization,PSO)结合,得到优化后的动态自适应学习率BP神经网络。研究利用XX8-1-2井的录井数据进行实验,对比BP神经网络、PSO-BP神经网络、GA-BP神经网络3种不同的改进后神经网络的预测结果。实验结果表明:优化后的PSO-BP神经网络的预测性能最好,具有更高的效率和可靠性,能够有效的利用工程数据,在有一定数据采集量的区域提供较为准确的ROP预测。

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优.提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性.选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力.比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.

基于PSO算法改进BP神经网络的氟金云母点磨削工艺参数优化

通过氟金云母的高速点磨削试验,测试了加工表面硬度和表面粗糙度,分析了表面硬度和表面粗糙度随工艺参数的变化规律。基于单因素试验值和PSO算法改进的BP神经网络,利用最小二乘拟合,建立了氟金云母点磨削表面硬度和表面粗糙度关于各工艺参数的一元模型,以相关系数检验模型,证明模型具有较高可靠性。分析一元模型,提出表面硬度和表面粗糙度分别关于工艺参数的多元模型。基于正交试验值和PSO算法,对模型进行优化求解,并通过试验证明了模型具有较高可靠性。利用PSO算法对两个多元模型进行双目标优化,求解得到一组较为合理的工艺参数值。

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。

结合面法向和切向接触刚度的MPSO-BP神经网络算法的建模

提出一种基于改进的粒子群和BP神经网络相结合的算法模型,用改进粒子群优化算法优化BP神经网络参数。以机械结合面法向接触刚度和切向接触刚度作为算例。考虑结合面配对副材料、接触载荷、表面加工方法、表面粗糙度和结合面间的介质作为主要因素,对8组结合面法向和切向接触刚度进行预测建模,并对仿真与实验结果进行比较与误差分析。结果表明,该方法实现了多种影响因素组合下的机械结合面法向和切向接触刚度较高精度的建模和预测。

PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。

模糊逻辑系统的GA+BP混合学习算法

提出一种在GA中融入BP算法的混合学习算法以实现模糊逻辑系统的自学习 .利用遗传算法的全局最优性在大范围内搜索可能的极值 ,而用BP算法的误差梯度下降特性在极值点附近快速搜索 ,从而达到了全局最优与快速搜索的有机结合 .仿真结果表明 。

基于遗传与BP混合算法神经网络预测模型及应用

提出用遗传学习算法和权重调整 BP算法相结合的混合算法来训练模糊模式识别神经网络预测模型 ;即先通过遗传学习算法进行全局训练 ,再用权重调整 BP算法进行精确训练 ,使网络收敛速度加快和避免局部极小 .作为实例 ,以新疆雅马渡站的实测径流资料和相应的前期 4个预报因子实测数据作为样本进行训练并用以预测雅马渡站的年径流量 .结果表明 。

混合粒子群算法优化BPNN在模拟电路故障诊断中的应用

针对模拟电路的软故障,提出一种基于混合粒子群算法的BP网络方法来诊断模拟电路中的故障。该方法是把遗传算法和粒子群算法结合起来优化BP网络的权值和阈值,试图解决传统的BP网络在模拟电路故障诊断过程中易陷入局部最小的问题。详细阐述了该算法的实现,给出了该算法的详细流程图,并通过仿真实例比较了传统BP网络与混合粒子群算法优化下的BP网络在故障诊断中的表现,给出了实验实例仿真结果的图形和数据表格。由仿真图形和数据表格,形象直观地看出了两种算法运用在模拟电路故障诊断中的差别,验证了混合粒子群算法优化BP网络在模拟电路故障诊断中的有效性及可行性。

BP神经网络对甘蔗宿根切割质量的预测——基于PSO算法

针对甘蔗收获机砍蔗时甘蔗宿根破损程度易受路面激励及甘蔗收获机工作参数等多种因素影响的问题,提出了一种甘蔗宿根切割质量的预测方法。以台糖22号为研究对象,将路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速和刀盘倾角作为BP神经网络预测模型的输入变量,利用PSO算法优化神经网络的权值与阈值,通过对砍蔗试验数据的训练与预测,建立了台糖22甘蔗宿根切割质量的BP神经网络预测模型。对比了基于PSO算法的BP神经网络模型与传统BP神经网络模型预测,结果表明:基于PSO算法的BP神经网络的模型对甘蔗宿根切割质量预测的最大相对误差为3.301%,而BP神经网络模型的最大相对误差为14.6 5 9%。优化后的新模型较传统模型具有学习能力强、预测精度高的优点。研究结果为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控及提高甘蔗宿根切割质量提供了理论依据。

PSO和Powell混合算法在医学图像配准中的应用研究

基于互信息的图像配准方法具有自动化程度高、配准精度高等优点 ,已被广泛应用于医学图像的配准。但是 ,基于互信息的目标函数经常是不光滑的 ,存在许多局部极值 ,给问题的求解带来了很大的困难。本文讨论了互信息函数的多极值特性 ,并提出了一种粒子群优化算法 (particleswarmoptimization ,PSO)和Powell混合优化方法。经检验 ,这种方法能有效地克服互信息函数的局部极值 ,大大地提高了配准精度 ,达到亚像素级。