基于粒子群优化支持向量机的时间序列木材含水率预测

木材干燥过程中对含水率的检测是一个复杂的非线性过程。为了提高含水率数据采集的精确性和可靠性，本文将粒子群优化算法（PSO）引入到含水率检测中，优化支持向量机（SVM）参数，对试验采集过程中失真数据时间点对应的实际值进行预测。通过粒子群优化支持向量机算法和拉格朗日插值法的仿真结果进行对比表明：PSO—SVM算法提高了误差精度，避免了拉格朗日插值法的龙格现象，得到了较好的预测结果。     

黄麻纤维毡吸声特性及其在汽车上的应用

由于植物纤维材料中的纤维直径不均匀,因此应用传统经验模型预测其吸声系数存在一定的局限性。而考虑了多孔材料微观结构和吸声系数之间关系的唯象模型,在精确辨识其非声学参数的前提下,可以获得较高的植物纤维材料吸声系数预测精度。以黄麻纤维毡为研究对象,基于阻抗管试验测得的吸声系数,运用粒子群优化算法辨识唯象模型的非声学参数,从而构建了黄麻纤维毡的吸声模型,并基于此模型开展了黄麻纤维毡的吸声特性及其在汽车上的应用研究。结果表明:黄麻纤维毡在高频范围内具有较好的吸声性能,其最大吸声系数可达0.82;基于粒子群优化算法辨识参数所建立的Johnson-Champoux-Allard吸声模型能较好地描述黄麻纤维毡的吸声性能;黄麻纤维毡的吸声系数受孔隙率、黏性特征长度和热特征长度的影响相对较小,其随厚度和流阻率的增大而增大,且吸声系数峰值所对应的频率随曲折因子的增大而向低频区域移动;黄麻纤维毡具有比车用传统毛毡类材料更好的吸声特性,可望替代车用传统毛毡,成为绿色环保的车用吸声材料。     

基于粒子群优化Stearns-Noechel模型的全光谱木材配色算法研究

为了提高计算机智能配色技术在木材染色配方预测中的精度与效率,研究运用Stearns-Noechel模型建立木材染色配方预测模型,并采用粒子群算法对建立的模型进行参数优化,不断修正配比量系数?c与参数M,获取色差最小时的配比量c值与最佳的参数M值。最后获取拟合光谱反射率曲线与标准反射率曲线,计算拟合色差值?E并输出相应参数值作为预测配方。结果表明：以水曲柳为染色基材时,对参数M采用循环赋值法得到的最佳配方其平均相对偏差为0.643%,平均拟合色差为0.720。基于粒子群改进的Stearns-Noechel模型对染色木材的配色效果有明显提高,在木材染色配色行业具有一定使用价值。     

面向安全服务重组多目标优化的粒子群遗传算法

遗传算法具有快速随机的全局搜索能力,但局部搜索能力差,易陷入早熟收敛,迭代效率低.粒子群算法采用速度——位置模型,可以较快收敛到指定精度.将粒子群算法与遗传算法融合,采用多目标遗传算法得出初步的优化结果,并将其作为粒子,利用粒子群算法强化局部搜索,加快收敛速度,仿真结果证明了该算法的优越性.在CSSM对底层安全服务的重组时利用粒子群和遗传算法的结合(GAPSO),能够提高效率.     

基于改进粒子群算法优化的染色木材颜色检测算法研究

为提高染色木材颜色的检测精度和速度,对樟子松木材单板进行染色,选取染色单板的光谱反射率作为输入,以极限学习机模型为基础构建预测模型,对染色单板的色度参数L^*、a^*、b^*进行预测,运用粒子群算法对ELM权值和阈值进行寻优,并引入非线性惯性权重和新的位置与速度更新策略改进粒子群算法,以消除其易陷入局部最优的缺点。此外,以L^*、a^*、b^*平均绝对误差为评价指标,与基础ELM模型及其他模型作对比,发现优化后的模型平均绝对误差为0.16,测色效果相较于基础ELM的0.68、麻雀算法优化的ELM的0.37等具有明显优势,这对于提高木材染色生产效率具有重要意义。     

基于改进的NCSPSO优化SVM的木材缺陷图像分割

针对木材缺陷图像,采用基于小生境和交叉算子的粒子群算法（NCSPSO）优化支持向量机（SVM）进行图像分割,提取木材缺陷分割图。主要对NCSPSO算法进行改进,寻找最优惩罚系数C和高斯核函数中的参数,然后采用SVM方法对训练样本进行综合训练,以建立最佳分类模型,并对木材缺陷图像分割测试。与模拟退火法（SA）及原NCSPSO算法进行对比实验,从而验证改进NCSPSO算法的优越性。     

基于PSO的发动机故障诊断算法与应用

为提高发动机的安全性,利用BP神经网络进行发动机故障诊断。BP神经网络隐含层节点数根据经验公式选择,并考虑训练方法的影响,通过比较每种方案的误差确定为最佳BP神经网络方案。由于BP神经网络存在诸多有待优化之处,选择粒子群算法优化BP神经网络,首先提取粒子群中相应参数作为网络的权值和阈值,然后设置网络进化参数,最后将从粒子群中提取的数值赋给神经网络,进行网络训练。利用发动机故障诊断台架对两种算法进行故障诊断测试,将结果与未优化的BP神经网络进行比较,结果显示,经过粒子群优化后的BP神经网络学习速度和诊断正确率均优于未优化的BP神经网络。     

基于粒子群算法的森林资源观测成像卫星任务规划模型建构

研究了一种基于粒子群算法的针对森林资源观测成像需求的卫星任务规划模型。通过研究卫星成像区域和待观测区域的相关关系,且根据2个区域的地理地球信息相关关系,构建粒子群集合。通过传统粒子群算法构建PSO算法架构,且在传统粒子群算法PSO基础上融入禁忌搜索策略和交叉进化粒子基因控制策略形成IPSO算法架构。在基于卫星工具包STK和Python支持下,对2种算法架构进行数据仿真比较。发现2种算法的最终收敛效果相当,但IPSO在个案数据条件下的收敛效率更高,所以认定本文设计的IPSO算法在森林资源观测任务的卫星任务规划中有积极意义。     

基于改进粒子群算法的木材板材下料方法

木材板材在家具行业应用广泛,以绿色环保、节约能源为目的的木材板材优化下料已经成为研究的热点。木材板材下料优化问题属于二维矩形下料问题,是一种具有高度计算复杂性的问题。本研究主要针对单规格木材板材进行矩形零件下料问题,在木材板材长和宽都大于零件长和宽的情况下,通过建立二维下料的数学模型,采用标准粒子群算法、变邻域搜索算法、粒子群混合变邻域搜索算法分别进行求解,并以某企业的下料实例进行分析计算。首先,利用标准粒子群算法求解单规格板材下料问题;其次,利用变邻域搜索算法求解单规格板材下料问题。在获得局部最优解的基础上改变其邻域结构再进行局部搜索,找到另一个局部最优解,如此不断迭代,直到满足算法的终止条件,获得全局最优解;最后,利用粒子群变邻域搜索混合算法求解单规格板材下料问题。针对粒子群算法局部搜索能力较差、容易过早收敛的问题和具有较好包容性的特点,将变邻域搜索的思想融入粒子群算法中,使结果更加趋向全局最优。结果表明：粒子群变邻域搜索混合算法相比粒子群算法和变邻域算法效率都有显著提升,能显著提高该木材板材的利用率,增加企业经济效益。     

基于优化算法的阔叶树种生长模型研究

随着优化算法的发展和应用,分析优化算法在林分断面积生长模型参数估计中的运用并分析其优劣就显得尤为的迫切。采用昆明市森林资源二类调查数据,筛选树种组成大于等于6成的小班剔除异常值后作为建模样本单元。采用地位级指数和林分密度指数引入到生长模型中,分别采用麦夸特算法、差分进化算法、遗传算法、模拟退火算法和粒子群算法进行参数求解,根据算法迭代次数比较各优化算法的算法效率,并求解生长模型参数稳定性。结果表明,桤木、栎类和桉类断面积生长模型拟合决定系数分别为0.94,0.87,0.84,均方根误差分别为1.10,1.59,2.20,模型通过T检验和残差分析;麦夸特算法、差分进化算法、遗传算法、模拟退火算法和粒子群算法迭代次数平均值分别为68,2 188,4 147,4 492和2 324;Richards,Schumacher和Korf模型各参数拟合结果间欧式距离分别为1 408.47,10.11,45.22,Korf模型的拟合优度大于Schumacher和Richards模型。     

基于改进粒子群算法林产工业供应链网络研究北大核心

以黑龙江林产工业企业为例,以成本和环境影响最小、社会效益最大为目标,建立多目标可持续闭环供应链网络规划模型,结合模型多约束、多维度特点,改进传统粒子群算法对模型求解,并通过改变模型目标函数权值组合,考察该闭环供应链网络的多目标计算结果。研究表明:模型存在可行解,证明该模型在林产工业可持续闭环供应链多目标决策方面具备有效性。改进的粒子群算法收敛速度较快,收敛效果优于传统粒子群算法。通过修改权值得到所有权值组合下的具体生产方案,可以获取准确的成本、环境与社会维度信息。当决策者支付更高的经济成本时,运行方案在环境和社会方面不是简单的线性变化,其变动趋势呈现出一定的波动性。改进的算法可以用于供应链网络模型求解。所设计的模型能为企业管理者实现企业可持续发展提供重要参考。     

基于IGWO-CNN的风场发电功率预测研究

针对传统方法下风场发电功率预测精度不高的特点，提出了一种基于改进灰狼算法(IGWO)的优化卷积神经网络(CNN),传统灰狼算法搜索范围呈现线性变化，因此采用动态收敛对灰狼算法进行改进，通过非线性收敛因子降低全局搜索速度，可以有效避免传统灰狼算法陷入局部最优解的问题，随后利用改进的灰狼算法对CNN的最佳网络进行寻优，成功避免CNN网络结构的不确定性。对内蒙古某风力发电厂的实测功率进行预测，研究表明：基于IGWO-CNN的风力发电功率预测方法相较传统的GWO-CNN及CNN具有更高的预测精度。     

基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究

基于RVoG模型,对传统三阶段算法及其改进算法进行研究,以云南省西双版纳州勐腊县为研究区,以TerraSAR-X/TanDEM-X数据为数据源进行森林高度反演算法研究,并结合野外实测数据进行结果验证。结果表明,三阶段改进算法对森林高度反演精度优于传统三阶段算法。三阶段改进算法对天然林高度反演精度较高;三阶段算法对橡胶林高度反演精度较高。     

高铁隧道支护参数多目标优化研究

隧道在施工和运营期的安全及建设成本问题是隧道设计关注的首要问题。本研究基于多目标粒子群算法开发了Matlab支护优化程序,选取隧道总支护阻力及支护成本为目标函数,建立了隧道支护优化模型,结合FLAC~(3D)有限差分软件,以阳山隧道为工程算例进行隧道施工的数值模拟,研究了隧道支护多目标优化问题。结果表明:多目标粒子群算法引入变异算子可提升粒子群空间探索能力,避免陷入局部最优;设置外部存储器可有效提高算法计算速度及精度。多目标粒子群优化算法能够快速搜寻到非劣解集,经筛选、修正得到工程最优解。施工数值模拟表明,与原有设计相比,优化设计的围岩最大竖向位移值增大4.002%,围岩横向位移值无明显变化,围岩最终位移值均低于设计预留变形值,符合工程安全要求;优化设计控制围岩横向变形效果略优于原有设计;优化设计的锚杆轴力无明显变化,保证锚杆的作用效果;优化设计的喷射混凝土最大压应力提高1.614%,最大拉应力降低15.277%,可有效发挥喷射混凝土材料性能,提高岩体整体性及承载力。与原有设计相比,优化设计的支护成本降低10.641%,算法优化效果明显,可保证工程收益。该方法对隧道工程支护方案设计及优化具有一定的参考价值。     

毛竹导热系数非线性拟合的PSO-BP模型

应用粒子群优化算法(particle swarm optimization,PSO)训练多层前馈(back propagation,BP)神经网络,提出毛竹导热系数的PSO-BP模型,将神经网络的学习过程映射为粒子群体的迭代寻优过程,达到优化神经网络权值及阈值的目的。结果表明:毛竹导热系数PSO-BP模型在泛化性能、拟合精度、训练及验证误差等方面均优于标准BP网络模型。     

基于RBF和PSO的双喉道气动矢量喷管优化设计

本文探索了一种能多变量综合优化的方法,即对喷管进行参数化设计后,用均匀试验设计(UED)将试验样本均匀散布在设计区间内,求出各性能参数后,利用径向基神经网络(RBF)对试验样本进行拟合,再用粒子群算法(PSO)对训练好的神经网络进行寻优,找出了更好的双喉道气动矢量喷管设计参数组合。数值模拟结果显示,优化后的双喉道气动矢量喷管的矢量角有了明显提高。试验表明这种优化方法具有很好的优化能力,可以用来对喷管几何外形进行参数优化。      

基于Spark MLlib中决策树算法对阿尔及利亚森林火灾的预测研究

应用阿尔及利亚森林火灾数据，通过Spark MLlib中的决策树算法，提出过滤相关性高的特征参数提升模型性能，对森林火灾进行预测研究。对温度、风速、雨及加拿大森林火险气候指数（FWI）系统中主要指标等特征参数，结合森林火灾的分类情况，使用信息增益标准为Gini的二叉决策树，建立基于决策树的火灾预测模型，对样本数据进行分类预测；提出分析不同特征参数之间的相关性，剔除相关性高的特征参数，利用大数据计算框架Spark建立机器学习工作流，将计算相关性的皮尔森系数与决策树分类算法结合了起来，从而优化模型，提高预测分类精度。预测模型改进前，即未进行相关性分析的森林火灾预测分类总精度为94.94%；预测模型改进后，即进行相关性分析，剔除了相关性较高的特征参数数据，森林火灾预测分类总精度为97.17%，准确率提高了近3%。使用Spark MLlib中的机器学习算法在森林火灾预测分类方面准确率总体较高，尤其在将多种数据挖掘算法结合后，模型性能得到提高，预测分类精度更高。     

基于Stearns-Noechel优化模型的木材单板染色配方预测

以樟子松单板为染色基材,采用活性染料对其进行染色,获取3组单色染料染色样本与8组混合染料染色样本。将自适应权值粒子群算法(APSO)与Stearns-Noechel模型结合,对8组混合染料染色样本进行染色配方预测。结果表明:采用APSO预测的配方绝对偏差均小于0.1,约为最小二乘法和传统粒子群算法的1/2;迭代次数约为传统粒子群算法的60%,寻优速度较快。优化模型获得三种珍贵材的R-Y-B染色配方分别为:花梨木—0.192%,0.419%,0.082%;鸡翅木—0.137%,0.284%,0.193%;黑酸枝—0.336%,0.581%,0.204%。采用该配方对樟子松单板进行染色,染色拟合样与标准样间的色差均小于2,且两者光谱反射率间的误差小,染色效果较好。     

基于BP神经网络的针阔混交林TM遥感图像自动分类技术研究

在对标准BP神经网络试验分析的基础上，通过输入矢量归一化处理、主成分分析、增加验证集、改进训练学习算法、扩大隐层和输出层规模等措施，对BP神经网络自动分类系统进行改进；利用改进后的BP系统对吉林省汪清林业局的典型针阔混交林TM遥感图像进行辩识、分类试验研究。结果表明：改进后的BP网络分类系统自动分类精度提高了19．14％，比传统无监督自动分类精度提高8．55％，达到了区分森林类型的分类要求。研究还显示了该改进系统应用于针阔混交林TM遥感图像自动分类识别的精度随网络规模增大而提高。     

木塑复合材料挤出机料筒温度的控制方法

利用模糊推理对比例-积分-微分控制器(PID控制)参数进行在线调整,再用粒子群(PSO)优化算法对模糊PID控制器的惯性权重系数进行自适应调整,并对量化因子及控制器参数进行优化后用于木塑复合材料(WPC)挤出机料筒温度控制。结果表明:PSO优化模糊PID控制器,可加快料筒升温速度,减小超调量,缩短调节时间,增强抗干扰能力,有效改善料筒温度的控制效果,生产的WPC板材拉伸强度及生产效率明显提高。