引入免疫粒子群优化算法的木材干燥模糊神经网络控制系统设计

针对木材干燥窑温湿度控制采用的模糊神经网络比较依赖于网络初始权值,且网络的训练时间较长、容易陷入非要求的局部极值,采用粒子群优化算法(PSO)的全局寻优性能,设计一种引入免疫PSO算法的木材干燥模糊神经网络控制系统。为避免PSO算法的早熟和进一步导入待求解问题的先验知识与经验,加快算法的全局收敛能力,引入免疫算法的接种疫苗、免疫选择、良种迁移3种免疫算子。仿真结果表明:温度和湿度,能更加快速、平滑地到达设定值(温度需要70 s左右,湿度需要75 s左右)。实例验证结果表明:温度曲线均方误差仅为0.020 7,拟合优度高达0.979 7;湿度曲线均方误差均在0.3以下,拟合优度均在0.96以上。说明免疫PSO算法具有较高的收敛速度和识别率,对不确定非线性系统具有良好的控制效果。     

基于非线性粒子群算法与神经网络的天气预测

采用非线性PSO-BP神经网络对天气预测,可以有效地预测出多云、晴天和下雨3种不同天气。非线性PSO-BP算法提高了天气预测的准确度和精度,加快了网络收敛速度,为智能化天气预报提供了基础。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性,基于BP神经网络建立烧结配料的预测模型,并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性,在迭代过程中,根据迭代次数对惯性权重进行动态非线性调整,从而提高算法的搜索能力。仿真结果表明,所提出的改进粒子群算法与传统的粒子群算法比较,收敛速度快、迭代次数少、具有较强的全局寻优能力。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于非线性粒子群算法与神经网络的天气预测

采用非线性PSO-BP神经网络对天气预测,可以有效地预测出多云、晴天和下雨3种不同天气。非线性PSO-BP算法提高了天气预测的准确度和精度,加快了网络收敛速度,为智能化天气预报提供了基础。     

改进的GrabCut算法木材表面缺陷图像分割试验

试验采用传统GrabCut算法和改进的GrabCut算法,针对单目标、多目标、复杂背景下多目标的木材表面缺陷图像进行多组对比实验。结果表明:改进后的GrabCut算法,针对木材表面的缺陷图像分割进行了优化,能有效改进传统GrabCut算法中的欠分割和过分割、易受区域凹凸纹理的干扰等缺点,而且分割各类木材表面缺陷图像时都能取得较好的效果。说明改进后的GrabCut算法具有其优势和可行性。     

基于免疫粒子群和BP神经网络的变压器故障诊断技术

为了解决粒子群算法的早熟收敛问题和BP神经网络梯度下降训练法收敛速度慢、容易陷入局部极小值的问题,将免疫学中的克隆、变异理论用于粒子群算法的优化,建立免疫粒子群算法并给出算法步骤及免疫粒子群算法训练BP神经网络的步骤,将其应用到电力变压器的故障诊断中．仿真实验证明所提出的方法对变压器故障的诊断准确率可达95％以上,能够满足工程应用的需要．     

基于粒子群优化的BP网络模型在旱涝预测中的应用

旱涝预测为旱涝灾害防御措施的研究提供重要的依据.运用PSO优化的BP神经网络建立了旱涝预测模型.PSO优化的BP神经网络既发挥了BP神经网络在预测领域的优点,同时又结合了PSO算法全局搜索能力强、收敛速度快等特点进行预测.预测结果表明:辽宁省本溪地区11年实测数据对PSO优化的BP神经网络模型进行验证,PSO优化的BP神经网络模型的预测结果明显好于未经优化的,模型精度得到了一定程度的提高,能满足本溪地区旱涝预测的实际需要.     

基于粒子群优化RBF神经网络的水轮发电机组振动故障诊断

【目的】针对单一径向基(RBF)神经网络在水轮发电机组振动故障诊断中泛化能力不足的缺点,提出基于粒子群(PSO)算法优化的RBF神经网络。【方法】利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对水轮发电机组振动故障进行仿真诊断。【结果】仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快。【结论】PSO算法优化的RBF神经网络,适用于水轮发电机组振动故障诊断,其诊断精度较高,具有推广应用价值。     

一种基于双子群的改进粒子群优化算法

针对粒子群优化算法易于陷入局部最优解并存在早熟收敛的问题,提出了一种基于双子群的改进粒子群优化算法（TS IPSO),通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,借鉴遗传算法的杂交机制,并采用惯性权值的非线性递减策略,加快算法的收敛速度和提高粒子的搜索能力,降低了算法陷入局部极值的风险.实验结果表明该算法较标准PSO算法提高了全局搜索能力和收敛速度,改善了优化性能.     

基于粒子群的多BP网络并行非线性预测控制

针对传统预测控制算法在解决非线性系统控制问题时,存在难以建立精确的数学模型、控制精度不高等缺点,提出一种新的非线性系统预测控制方案。以多BP神经网络作为并行预测模型,克服误差积累以及网络规模庞大的缺点;运用粒子群优化(PSO)算法完成非线性预测控制的滚动优化。仿真表明,该方案的控制效果比常规动态矩阵控制效果有所提高,该方案是可行和有效的。     

基于混合粒子群算法的供热管网优化设计

供热管网优化设计一直是多年来城市地下管网工程中的研究热点。通过分析供热管网的优化模型,建立关于供热管网的目标函数即供热管网投资费用,根据供热管网的目标函数及约束条件建立适应度函数。利用粒子群优化算法对该非线性模型进行求解,借鉴遗传算法中变异操作的思想,设计基于遗传算法的混合粒子群算法,寻求在水力约束条件下目标函数的最小值。实例结果表明,将粒子群优化算法应用于供热管网优化设计可以取得较好的优化结果,并且充分的体现出粒子群算法的寻优能力。     

基于改进粒子群算法的再入飞行器轨迹优化

采用基于距离量度和自适应惩罚相结合的约束处理技术的改进粒子群优化算法（PSO）应用于再入飞行器轨迹优化,避免适应值函数中复杂的罚函数及罚因子的设计,提高优化算法的通用性。以高超声速飞行器最小控制量再入轨迹优化为例,并对飞行器运动模型进行简化及控制量参数化。对两种不同的高超声速飞行器模型进行优化,仿真结果验证算法的有效性及通用性。     

基于自适应PSO优化的空燃比神经网络预测控制

为解决空燃比传输延迟的问题,该文提出一种基于自适应扩展粒子群优化的空燃比预测控制策略。采用多粒子策略来提高算法的全局收敛性,通过对控制参数的自适应调整来加快算法的收敛速度。在多粒子策略中,每个粒子的更新受更多其他粒子的影响;在自适应策略中,控制参数随着迭代次数的增加而逐渐减小。以 HQ495发动机为实验对象,仿真结果表明在节气门小范围变化时,空燃比误差低于1％;在节气门大范围变化时,空燃比误差低于2％。该方法实现了对空燃比的精确预测控制,有效地改善了汽油机过渡工况排放性能。     

基于粒子群优化Friele模型木材染色配色算法研究

为提高木材染色计算机智能配色的准确性和实用性,选择水曲柳单板为染色材,基于Friele模型为基础,对模型参数进行循环赋值计算出最优参数值和预测配方,利用粒子群优化Friele模型预测其拟合配方与拟合反射率,并根据基于人眼的CIEDE2000色差评价标准公式计算色差,比较2种方法的预测配方和光谱反射率得出,当模型参数固定时,平均拟合色差为0.820 2,优化模型后,平均拟合色差为0.728 7。基于粒子群优化Friele模型进行参数循环赋值相比较固定模型参数对木材配色效果有显著提高。     

基于粒子群算法的喷洒参数优化算法

针对精确农业中农药喷洒参数的优化,提出了一种基于粒子群算法的喷洒参数优化算法。首先将农田图像分割为二值图像,将图像标记为植被区域和背景区域,然后以描述喷洒效果的数学模型为标准,通过粒子群算法优化喷头的位置和喷洒半径。结果表明,与植被区域中心确定的喷头位置和半径比较,新算法取得了较好的结果。     

残差神经网络模型在木质板材缺陷分类中的应用

以虫眼、活节、死节3种缺陷的板材为研究对象,建立了小型样本库,采用数据增强方法,对图片进行旋转、平移、尺度变换、灰度变换等方式处理,使样本库扩容到10687张图片,其中7480张图片作为训练集、2137张图片作为验证集、1070张图片作为测试集;应用超分辨率测试序列(VGG)网络模型、谷歌网络模型(GoogLeNet)、残差神经网络模型(ResNet)对木质板材表面缺陷进行分类,依据分类精度,遴选识别效果较好的木质板材缺陷分类方法.结果表明:残差神经网络模型在不同的卷积层时分类精度均在80％以上,而改进的残差神经网络模型在模型结构为50层时的分类准确率高达98.63％,模型能较好地适用于木质板材表面缺陷分类.