基于改进 PSO-BPNN 的拖拉机液压油品质监测

为实现对拖拉机液压油品质的有效监测,保障拖拉机液压系统的平稳运行,基于改进PSO-BPNN设计一种针对拖拉机液压油品质的监测方法。首先,为研究拖拉机液压油品质恶化情况,在液压油新油的基础上配制不同比例的液压油油样。随后,搭建拖拉机液压油品质监测试验装置,并依据试验装置采集与监测液压油粘度、介电常数和温度参数。然后,设计并搭建一种基于改进PSO-BPNN的拖拉机液压油品质监测模型,该模型利用正弦调整惯性权重的PSO算法优化BPNN的权值和阈值初始值,提高模型收敛效率。最后,为验证基于改进PSO-BPNN的液压油品质监测方法的可行性,与基于传统BPNN、标准PSO-BPNN的拖拉机液压油品质监测模型进行对比。结果表明,基于改进PSO-BPNN的拖拉机液压油品质监测方法具有较快的收敛速度,监测正确率达到97.78%,为优化拖拉机液压油品质监测方法提供参考。

基于改进PSO-BP混合算法的电力变压器故障诊断

将改进的粒子群优化(PSO)算法与误差反向传播(BP)算法相结合构成混合算法训练人工神经网络。改进的PSO算法中,惯性权重从最大到最小线性减小,以平衡局部和全局搜索能力,并将类似“选择”的概念引入PSO算法,使该算法更好地协调全局和局部搜索能力,有利于更快寻找到全局最优点。该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点。将该算法应用于变压器故障诊断,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。

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。

基于BP网络与改进的PSO算法的入侵检测研究

本文针对入侵检测系统中的误检率,提出了一种将BP网络和改进的PSO算法相结合的方法。该方法基于BP网络算法的局部精确搜索和改进的PSO算法的全局搜索的特性,并且用改进的PSO算法优化BP网络的权值、阈值,克服BP网络算法易陷入局部极值的弊端。在入侵检测系统中应用该网络结构,能准确地发现已知的攻击行为,并能进一步预测新的攻击行为,减少了入侵事件的漏报和误报。通过KDD99 CUP数据集进行仿真实验,与基于PSO-BP算法、传统的BP算法的入侵检测系统相比较,表明改进的PSO-BP算法的迭代次数较少、收敛速度快、检测率高,有一定的有效性。

改进PSO-BP算法在函数拟合中的应用

提出一种基于粒子群的改进BP算法,该算法在网络的学习过程中首先利用粒子群算法的全局搜索性,引入非线性惯性系数找到最优权值,其次重新给部分粒子参数赋值,增加粒子多样性,从而避免早熟收敛,进一步完善了原有粒子群算法.建立非线性函数的BP神经网络模型,并利用MATLAB软件对其进行拟合.仿真结果表明,改进算法对于非线性函数有良好的拟合能力,拟合误差相对减小.

改进PSO算法优化BP神经网络权值算法研究

针对BP神经网络算法具有收敛速度慢、易陷入局部极值的缺点，文章采用改进PSO算法优化BP神经网络权值。通过试验，结果表明，改进PSO优化BP神经网络权值具有更好的收敛性和更快的速度。

基于改进SABO-BP算法的电网谐波预测

针对日趋严重的电网谐波污染亟需大量谐波数据支撑分析和治理及电网谐波监测能力不足的问题,提出一种改进减法平均优化(subtraction average based optimizer, SABO)算法优化反向传播(back-propagation, BP)神经网络实现谐波预测,以缓解当前谐波数据匮乏的问题。为了克服现有SABO算法易于陷入局部最优解,初始化时使用Logistic混沌映射替代随机数,同时迭代搜索中利用黄金正弦优化算法辅助SABO跳出局部最优,从而提高BP神经网络预测准确率。最后,以某省实际运行数据验证所提改进SABAO-BP模型在谐波电压畸变率及单次谐波电压含有率预测中均具有较高准确性。

小波降噪及改进遗传算法的BP神经网络在基坑变形中的组合应用

以某市人民医院基坑工程为例,针对实测数据建立实测数据结合BP神经网络预测模型,小波降噪结合BP神经网络模型和小波降噪结合改进遗传算法优化的BP神经网络模型,并利用误差分析理论对基坑变形数据预测效果评价。结果表明:对比3种模型实际处理、预测数据能力,实测数据结合BP神经网络模型预测精度在1%-4%之间,小波降噪结合BP神经网络模型预测精度1%-2%之间,小波降噪结合改进遗传算法优化的BP神经网络模型预测精度在1%以内,小波降噪结合改进遗传算法优化的BP神经网络模型的预测准确率最高。针对基坑变形监测,小波降噪结合改进遗传算法优化的BP神经网络模型具有更高预测精度,可为类似工程提供实际参考。

基于PSO的改进BP算法在变压器故障诊断上的研究

变压器是电力系统的重要组成部分,其运行状态对电力系统的稳定、安全运行有着重要的意义。研究变压器故障诊断方法,加强变压器的运行维护,可以有效减少故障隐患所带来的安全事故。BP神经网络具有并行分布式计算、自适应、记忆及聚类等诸多优点,能准确表达变压器油中溶解气体与变压器内部故障之间存在的映射关系;但是BP算法存在收敛速度慢、易陷入局部极小点的缺陷,而PSO算法具有全局寻优的能力,可有效地改善BP神经网络收敛速度,提高故障诊断准确率。将BP神经网络模型与PSO算法改进的BP神经网络模型应用于变压器故障诊断,结果表明,故障诊断的可靠性和准确性都得到了明显提高。

改进型PSO算法解算三维测边网平差模型

空间三维测边网属于典型的秩亏自由网。针对目前网平差常用的最小二乘算法存在线性化求导复杂,计算量大等问题,本文基于高精度测距值,以控制点坐标反算距离与观测距离差值之和最小为目标,构成非线性方程组,建立函数模型;考虑到非线性方程组求解方法中智能优化算法无需求导和公式推导简单等优点,引入粒子群(PSO)智能优化算法,并构建改进型PSO算法。研究结果表明,根据本文提出的改进型PSO算法进行平差解算,可保证解算结果的准确性,且该算法较传统PSO算法的寻优速度更快,不仅可为空间三维测边网的解算提供新思路,还可为建立空间三维测边网提供理论支撑。

基于改进PSO算法的施工园区交通组织优化研究

为解决施工园区内料物运输效率低、运输成本高的问题,综合分析料物运输过程和园区内交通仿真影响机制,构建场内交通仿真综合模型并求解得出施工园区道路共线运输方案,以北京城市副中心站施工园区02B和05B基坑区域为研究对象,利用多角度反馈修正PSO算法求解并对优化后的结果展开分析。研究结果表明:道路公共化前后的料物运输路径改变,道路公共化后运输设置的道路85%行车密度频率提高5%~20%,重点优化的拥堵道路85%行车密度频率降低10%~40%,各私有化道路由二级服务水平变为一级服务水平,促进交通资源的利用率,进而减少运输成本并提高整体园区料物运输效率。研究结果可为国内外其他施工园区封闭管理区域交通组织优化提供理论参考和经验借鉴。

改进PSO-BP算法在飞机剩余油量测量中的应用

针对飞机在飞行时油箱因受震动引起油面起伏不平,导致原有静止状态时的计算模型产生较大测量误差,提出采用BP神经网络的预测飞机剩余油量;但由于BP神经网络存在学习效率低、收敛速度慢和易陷入局部极小等局限,采用改进粒子群算法优化BP神经网络的训练;将改进PSO-BP算法用于飞机剩余油量的测量,实验结果表明,与传统BP学习算法比较,改进PSO-BP算法具有训练时间短,相对误差小,控制精度高等优点,有效地提高了油量测量的精度。

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.

基于特征构造和改进PSO算法的分布式光伏功率预测

分布式光伏由于其历史数据缺乏,光伏出力的预测精度不高,提出改进粒子群优化算法(PSO)+长短时记忆网络(LSTM)与注意力机制结合的神经网络模型。构造基于聚类算法的特征工程扩充数据集;给出局部最优判据改进粒子群算法并应用于模型的超参数优化,提升模型泛化性;采用注意力机制与LSTM相结合的架构进行短期功率预测。在澳大利亚公开数据集上的实验表明,新的特征工程与光伏出力具有相关性,预测精度相比传统LSTM模型精度提高17.4%,且改进PSO算法相比标准算法收敛性更好。

基于改进遗传算法优化BP网络的密度预测

为了能利用工艺参数实时预测药柱密度并提高密度预测精度,提出采用改进遗传算法优化BP网络(improved genetic algorithm backpropagation neural network,IGA-BPNN)的炸药密度预测模型。通过动态调整GA的交叉概率和变异概率,确定BPNN权重和阈值的最优值,构建IGA-BP预测模型,利用采集的工艺参数,基于所构建模型进行炸药密度预测。实验结果表明:改进的GA对交叉率和变异率做出了更好的调整,能快速搜寻BPNN的最优权重和阈值,提高炸药压制密度的预测精度。

基于改进型PSO-BP神经网络算法的水质评价

环境污染现在是大众所关注的一个重要的问题,需要拿出科学的方法和手段应对这个问题。文中提出了一种改进型的PSO-BP神经网络相结合的环境质量评价方法,以大理的洱海水域为例,选取了实际的水质监测数据作为样本,进行了系统的分析。通过对传统的BP神经网络法、PSO-BP神经网络和改进型PSO-BP算法三种方法应用结果的对比,本文得出改进的PSO-BP神经网络方法在相同精度下拥有更高的效率。

改进麻雀搜索算法优化BP神经网络的短时交通流预测

针对BP神经网络预测短时交通流量过于依赖初始参数的问题,提出一种基于改进麻雀搜索算法(ISSA)来优化BP神经网络的短时交通流预测模型(ISSA-BP)。针对标准麻雀搜索算法(SSA)易收敛于原点,容易陷入局部最优等问题,对麻雀群体中的发现者和部分加入者的位置更新公式分别进行改进,改进后的发现者将基于搜索维度的大小和当前最优值的位置来进行全局搜索,部分加入者将根据其与最优位置之间的距离来进行全局搜索。通过实验对BP,PSO-BP,SSA-BP,ISSA-BP 4种短时交通流预测模型的预测效果进行对比分析,结果显示,ISSA-BP短时交通流预测模型的误差最小,ISSA-BP模型相较BP模型在MAE评价指标上的预测精度提升了48.85%,有着更好的预测精度。

改进PSO-BP算法在钢筋腐蚀监测中的应用研究

针对混凝土内部钢筋腐蚀程度判别难、精确度低等问题,提出了将改进粒子群算法(PSO)与BP神经网络结合起来,通过对钢筋锈蚀机理及其影响因素的分析,建立了以混凝土内部温度、湿度、pH值、Cl-浓度和腐蚀电位为输入,钢筋腐蚀率为输出的改进PSO-BP监测模型,并将实测输入数据与仿真结果进行了对比。结果表明,改进PSO-BP算法的收敛性与准确性均优于PSO-BP算法和BP算法。

基于改进惯性权重PSO算法的水库防洪联合调度研究

针对望谟县洪灾频发的现状,基于改进惯性权重的PSO算法,以动用新屯、纳坝水库的防洪库容最小为目标,建立了水库防洪联合调度模型。在保证水库工程安全和控制断面低于保证流量的前提下,通过防洪联合调度,两库(纳坝、新屯)库堤结合方案使望谟县城市防洪标准由现状20年一遇提高到50年一遇,50年一遇洪水削峰率约为33.7%。其中,纳坝水库50年一遇洪水的安全下泄量为23.5 m^(3)/s,新屯水库50年一遇洪水的安全下泄量为16.5 m^(3)/s。实例应用可为水库群防洪联合调度研究提供参考。

基于改进灰狼算法优化BP神经网络的变压器故障诊断方法研究

针对变压器故障诊断精度不高,和避免传统的故障诊断方法的不足,提出一种基于改进灰狼算法BP神经网络变压器故障诊断算法。改进算法采用增强搜索能力的维度学习策略,增加灰狼算法中灰狼种群的多样性,同时将故障特征量输入到算法模型中并与其他模型进行对比,验证本文算法的有效性和性能表现优于其他算法。