基于PSO优化BP神经网络的GNSS PWV和气象数据的尾矿库降雨预测研究

随着GNSS技术在气象领域的不断发展与进步,如今许多尾矿库和矿山都配备了GNSS设备,通过监测大气中的水汽含量、大气延迟量,可以更准确地预测降雨天气的发生。但当多种气象因素综合作用时,该技术的预测仍然存在一定的错报率。BP神经网络能够处理复杂的非线性问题,能够根据多种自然因素进行自适应的学习,提高模型的泛化能力,本文对BP神经网络进行了PSO优化,引入多种优化参数,使用NCEI数据平台对福建省区域的气象数据进行降雨预测模型的构建,为提高预测模型在尾矿库环境下的预测效果,本文结合尾矿库现场GNSS设备测量的PWV大气可降水量值,分析其变化量、变化率与降雨的关系,将两者引入降雨预测模型,构建更适应尾矿库环境的降雨预测模型。实验结果表明,针对尾矿库的特有情况,其正确率较国际方法能够提高7%~8%的效果。

基于Spark框架和PSO优化算法的电力通信网络安全态势预测

随着电力通信网络规模的不断扩大,电力通信网络不间断地产生海量通信数据。同时,对通信网络的攻击手段也在不断进化,给电力通信网络的安全造成极大威胁。针对以上问题,结合Spark大数据计算框架和PSO优化神经网络算法的优点,提出基于Spark内存计算框架的并行PSO优化神经网络算法对电力通信网络的安全态势进行预测。本研究首先引入Spark计算框架,Spark框架具有内存计算以及准实时处理的特点,符合电力通信大数据处理的要求。然后提出PSO优化算法对神经网络的权值进行修正,以增加神经网络的学习效率和准确性。之后结合RDD的并行特点,提出了一种并行PSO优化神经网络算法。最后通过实验比较可以看出,基于Spark框架的PSO优化神经网络算法的准确度高,且相较于传统基于Hadoop的预测方法在处理速度上有显著提高。

基于PSO优化SVM的转炉炼钢用氧量预测研究

用氧量是影响钢水质量的主要因素之一,为提高转炉炼钢用氧量模型的预测精度,提出基于PSO优化SVM的吹氧量建模预测方法。针对SVM结构参数依据经验选取,致使预测模型的泛化能力差,在标准PSO算法的基础上,优化SVM的惩罚系数、不敏感损失系数和高斯核宽度系数3个结构参数,并建立转炉炼钢用氧量预测模型;在此基础上利用UCI数据库中的Auto-MPG标准数据,验证了方法的有效性;最后以某钢厂100 t转炉的实际生产数据建立吹氧量预测模型,结果表明,与标准BP、RBF及SVM相比,基于PSO优化SVM的转炉炼钢吹氧量预测模型精度高、泛化能力强。

VMD及PSO优化SVM的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition,VMD)及粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。

基于PSO优化的支持向量机在软土路基沉降数据处理中的应用

软土路基沉降预测是一个少样本、非线性、高维数据处理问题,支持向量机能够较好地解决这类问题。为了克服该理论方法在实际应用中存在惩罚因子C和核函数参数σ选取不当导致模型预测精度不高的问题,采用粒子群优化算法PSO对模型参数C和σ进行优化。工程实例表明经PSO优化的支持向量机具有较高的精确度,预测效果优于非PSO优化的支持向量机,也优于GRNN网络和BP神经网络的预测结果,值得工程技术人员借鉴。

基于k-均值的自适应PSO优化算法

提出了一种新的基于k-均值聚类的自适应PSO优化算法(KCMPSO).首先通过k-均值聚类方法把粒子群分成若干个子群体,从而在迭代过程中每个粒子根据其个体极值和所在子群体中的最好个体更新自己的位置和速度,其次引入自适应变异算子,有效地增强了粒子群之间信息交换和PSO算法跳出局部最优解的能力.几个典型函数的测试结果表明,该算法是非常有效的.

基于PSO优化Fuzzy-PID精量灌溉控制系统设计

精确控制农业灌溉中的灌溉精度和水肥比例,能够大大提高水肥的利用率。因此,基于传统PID控制、Fuzzy-PID控制两种控制算法的优缺点,进行PSO优化Fuzzy-PID控制。该控制算法能够有效解决大棚灌溉控制中的非线性、时变性和滞后性等问题。实验结果表明:该系统与传统PID控制相比,上升时间减少了4.10 s,超调量降低了14.57%,调节时间减少了27.4 s;相比于Fuzzy-PID控制,上升时间减少了4.30 s,超调量降低了0.37%,调节时间减少了20 s。该系统响应速度快、配比精度高、稳定,具有一定的应用价值。

PSO优化神经网络的高职教学质量评价体系设计

目前,高职院校教育教学质量保障体系与教学质量评估问题已成为世界各国关注的问题之一。但教学质量评价过程中,存在数据收集量大、繁、杂;数据不完备、不确定;评价方法和手段;后期数据分析与应用等问题。故针对目前现状及存在问题,本文提出利用PSO优化的人工神经网络技术处理教学质量评估系统出现的问题,既克服了人为因素对评价结果的直接影响,又可建立全面合理的综合评价指标体系。

基于PSO优化的列车制动模糊PID控制算法

根据城轨列车制动模型设计基于粒子群优化(PSO)算法的自适应模糊PID控制器,以模糊PID的量化因子和比例因子为优化对象,ITAE(时间误差绝对值积分)指标做为优化算法的目标函数,建立以停车精度和舒适度为目标的控制策略,对列车进行停车控制.为了说明算法的有效性,选择基于前馈补偿的PID控制算法做为对比,在Matlab/Simulink环境下建立制动仿真模型,结果表明:优化后的自适应模糊PID算法各项指标均优于前馈补偿PID算法.

基于PSO优化改进的Snake模型煤矿环境目标检测

针对Snake模型寻优过程中抗噪能力差、不能向凹处收敛等问题,提出适合煤矿等复杂环境的目标轮廓检测新算法。算法对Snake模型进行改进,使其自动分配蛇点,具有拓扑自适应性,并将粗收敛结果作为粒子群算法的初始轮廓。同时针对粒子群优化过程中易丧失群体多样性和易收敛于局部极值的问题结合遗传算法中育种和变异思想改进,淘汰适应度低的粒子,增加了相邻粒子间约束,通过自适应惯性权重非线性调整方法提高收敛精度。实验中将单峰、多峰测试函数和图像仿真与传统方法进行对比,证实了改进算法的有效性,在照度低、分辨率差的井下视频目标检测中有良好的应用前景。

PSO优化BP神经网络的串联故障电弧识别方法

运用db5小波对故障电弧信号进行4层分解,提取故障频段能量谱作为特征量,建立BP神经网络。用粒子群优化(PSO)算法优化BP神经网络,从而快速准确地对故障电弧特征量进行拟合,用训练后的神经网络对故障电弧进行预测,达到了较好的预测识别效果,验证了该串联型故障电弧识别方法的有效性。

改进PSO优化神经网络的短时交通流预测

在短时交通流预测中,传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制,这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度,将在传统PSO优化BP神经网络的基础上,引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数。用实测的北京二环交通流数据对改进的预测模型进行验证,结果表明该模型更有利于搜寻全局最优解,且寻优时间更短,能有效改善短时交通流预测性能。

基于PSO优化算法的重载机械臂载荷参数自动控制方法

伴随着不断加快的工业化进程,机械臂因其精度高、灵活性高的优良特性被广泛应用于各种复杂的工业作业中,重载机械臂不仅要有足够的负载能力,还需要更高的精准度,以便于作业中精准的安装。基于此,加入PSO优化算法,对重载机械臂载荷参数自动控制系统在硬件及软件方面进行新的设计,并通过与传统载荷控制系统进行对比结果表明新的系统更加精准、有效。

阴影遮挡条件下光伏阵列建模及PSO优化控制算法的研究

基于现有五参数模型构建了阴影条件下的光伏阵列多峰输出特性模型,该模型能够仿真阴影条件下光伏阵列的I-U性能曲线。在此多峰模型基础上,搭建了MPPT控制模型,利用优化后的PSO算法实现多峰情况下的最大功率点追踪,并与原始PSO算法进行对比,仿真结果表明该算法能够快速且准确的追踪到多峰下的最大值。

特征融合与PSO优化SVM的交通标志分类

为有效提高交通标志分类的准确度,提出一种基于特征融合与PSO优化支持向量机分类器参数的交通标志分类方法。首先提取标志图像形状的局部HOG特征信息和描述图像粗略轮廓的全局Gist特征信息,采用并行的方式把这两种特征融合;再通过PSO算法优化SVM分类器参数,提高SVM分类器分类性能;最后SVM分类器进行交通标志训练与分类。试验结果表明:本文并行的特征融合与PSO优化SVM参数分类方法精确度比单一的PHOG和Gist特征的交通标志分类方法分别提高9.048%、0.952%,比串行的特征融合方法提高了8.095%。

PSO优化BP神经网络对露点间接蒸发冷却空调机组性能预测研究

针对传统机组在设计时的实际运行、优化设计、成本投入等问题,基于神经网络理论建模的研究方法,分别建立了BP神经网络和PSO-BP神经网络两种预测模型,通过实际工程的测试得到了相关数据,最后采取理论建模与实测数据相结合的研究手段,得出了PSO-BP神经网络更适合用于解决露点间接蒸发冷却空调机组的性能预测问题的结论,在同一时刻,BP神经网络预测的相对误差为9.6%时,PSO-BP神经网络预测的相对误差为2.21%,精度提高了7.39%。

PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断

为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。

基于SA-PSO优化自适应PNN网络的变压器故障诊断研究

概率神经网络中反映整个样本空间的平滑因子σ常以经验取值,缺乏足够的理论依据;对此提出一种自适应概率神经网络变压器故障诊断模型,针对作为自适应概率神经网络的激励函数的高斯函数,采用基于模拟退火思想的改进粒子群算法(SA-PSO)优化其平滑因子σ,从而提高概率神经网络诊断的识别率;通过搜集到92组故障数据进行仿真分析,其结果表明引入模拟退火过程后,粒子群算法的局部搜索能力得到了改善,并且使得SA-PSO算法优化下的自适应概率神经网络相对于单一PSO算法在变压器故障的诊断准确率上得到了较大程度的提高,从而保证变压器的安全可靠运行。

PSO优化在模糊联合补充问题中的应用

对用PSO算法解决需求为不确定的联合补充问题进行了研究。运用模糊规划方法处理需求为模糊变量的联合补充问题,得到了作为求解目标的模糊数学模型;采用PSO思想对该模型进行分析,转化为PSO问题模型,制定出算法流程,并用数值实例验证了提出的粒子群优化模型和求解算法的有效性;对随机生成的大量数据进行处理,结果证明问题规模相同时该算法较遗传算法具有更高的效率。

考虑风向概率特征的航班时刻优化方法

在航班时刻表进行实际运行过程中,风向的变化对航班到达终端区共用航路点的时间造成影响,进而造成航路点的容量过载或容量浪费。因此,根据风向的统计概率对航班时刻进行调整,目的是制定在一定程度上能减少共用航路点的容量过载或容量浪费的航班时刻表。根据风向对离场航班跑道分配的影响提出基准风向的概念,并基于航季中各月份在过去5年间的机场基准风向概率预测了下一年各月的机场基准风向概率,并根据各月的基准风向概率特征进行聚类。在聚类结果的基础上,以风向变化对航路点流量的影响程度为目标函数,建立考虑风向概率特征的航班时刻优化模型,并将ε-约束法与改进粒子群优化算法(particle swarm optimization, PSO)结合提出ε-约束(ε-constraint method)-PSO组合算法实现多目标模型的求解,以北京终端区的离场航班为研究对象进行验证。结果表明:相比初始航班时刻表,共用航路点小时流量的最大值减少了12%,在不同基准风向时的共用航路点流量方差分别降低49%和56%;相比线性加权求和的方法,该方法可以实现共用航路点的溢出航班总量减少70%。结果表明:在考虑风向概率特征的条件下,该模型可以在一定程度上使共用航路点的流量更均衡,减少出现共用航路点容量过载或容量浪费的现象,减轻航路点流量受风向影响的程度。