基于微粒群算法的多层前馈神经网络

将微粒群算法和神经网络结合起来,实现了非线形模型的辨识问题和PID控制器参数优化问题.仿真实验表明:微粒群算法在神经网络控制及非线形模型辨识方面的应用具有可行性,具有良好的应用前景.     

结合粒子群优化和综合评价的脉冲耦合神经网络图像自动分割

为了解决脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)在图像分割中多参数设定以及评价准则单一的问题,提出了一种结合粒子群优化算法(Particle Swarm Optimization,PSO)和综合评价准则的PCNN图像自动分割方法。采用单调递增阈值搜索策略的PCNN改进模型,将PSO优化原理与由交叉熵参数,边缘匹配度和噪点控制度共同构成的综合评价相结合,以综合评价作为粒子的适应度函数,自动寻优获取PCNN图像分割模型的目标时间常数,连接系数以及迭代次数n,从而实现全参数自适应的PCNN图像分割。实验结果表明算法在保证PCNN运行效率下对不同类型图像都能进行正确完整的分割并兼顾纹理细节的保留。从实验数据可以看到,本文算法在综合评价和通用综合指标上均优于其他对比算法,综合评价平均优于其他算法10.5%。客观评价结果与视觉主观评价相一致,分割较理想,算法具有较高的鲁棒性。     

融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化

为解决流程制造工艺参数优化面临的多工序耦合模型构建复杂、多目标冲突分析困难、实时和准确性难以保障等问题，提出一种融合GRU-Attention与鲸鱼算法的流程制造工艺参数云边联动优化方法。设计了适用于多工序耦合生产的训练计算云边协同架构，通过设备边缘节点与云平台的高效协同，完成了预测模型和优化模型的云端训练，边缘端数据收集、模型下载和调用计算。在此基础上，建立了基于GRU-Attention多层神经网络的生产工艺质量预测模型，将输出质量指标作为适应度，调用鲸鱼算法对生产工艺参数进行全局寻优，获得不同工序最优工艺参数组合，实现流程生产不同工序加工质量的实时预测和综合优化。最后，以某流程制丝生产线为例进行了实验验证，结果表明，所提基于深度学习的云边联动方法可实现生产质量的综合动态优化，同时可降低工艺参数调控任务的完成时间。     

基于PSO-RBF算法的锂电池SOH研究与预测

为了寻找锂电池充电的最优策略,采用建立模型的方法进行研究与预测充电策略的优劣.电池健康管理状态(State of Health)反映了锂电池的剩余寿命,一般作为锂电池充电策略优劣的一个评判标准.在实际应用中,不同的充放电策略对锂电池的SOH有不同的影响,由于对锂电池SOH影响因子很多,各影响因子之间相互耦合,实验验证极其复杂.RBF神经网络是一种比较常用的预测性神经网络,PSO算法是一种较为先进的优化网络参数的算法,将PSO算法和RBF神经网络融合,借助大量实验数据,训练RBF神经网络,使用PSO算法优化其网络参数,建立基于PSO-RBF算法的锂电池SOH预测模型,再将不同充电策略进行仿真验证.仿真结果表明,该模型预测能力优于普通RBF模型,可作为锂电池最优充放电策略验证的最优模型.     

果蝇优化BP神经网络路面附着系数估计

在利用BP神经网络进行路面附着估计时，存在收敛速度慢和易于陷入局部最优解等问题。为此，提出一种基于果蝇算法（FruitFlyingOptimizationAlgorithmFOA）对BP神经网络进行改进并给出算法的流程。建立路面附着系数估计BP神经网络模型，将果蝇算法引入到BP神经网络，对网络的初始权值与阈值进行优化，以增强网络的全局寻优能力。利用Carsim软件获取的样本数据对网络进行训练，并与MATLAB/Simulink软件搭建联合动态仿真模型，对比实验结果表明：基于FOA优化BP神经网络的路面附着系数估计方法不受车辆模型精度的影响，定性估计精度高，能有效提高估计值的精度和稳定性。     

智能优化算法在机械优化设计中的应用

针对传统机械优化设计算法存在的问题，分析介绍了近年来兴起的智能优化算法，主要是几种神经网络模型和进化计算等智能化算法用于机械优化设计的基本思想和应用方法。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模，提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子，改进了粒子群优化(PSO)算法，进而通过改进的PSO算法对BP神经网络进行优化，构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象，将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本，实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%，与未优化的BP神经网络等传统模型相比，预测精度最大提高了18.5%，计算时间可从1.5 h缩短至300 s，同时实现了回弹预测与补偿精度以及计算效率的显著提高。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

一种用于磨粒识别的基于改进PSO 算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于神经网络和粒子群算法的管材弯曲工艺参数优化

针对弯管成形质量受多个工艺参数耦合影响的问题,提出基于神经网络和粒子群算法相结合的工艺参数优化方法。以压模压力、压模助推力、芯轴间隙、芯轴伸出量作为优化对象,以壁厚减薄率、横截面畸变率和起皱值最小为优化目标,通过神经网络构建优化对象和优化目标之间的非线性函数关系,并以此作为粒子群优化算法的适应度函数,实现管材弯曲的多目标工艺参数优化,最后进行了理论分析和实验验证。     

基于局部加权偏最小二乘法的冷凝器污垢预测

提出了基于局部加权偏最小二乘回归算法的污垢预测算法,通过在训练集的污垢数据局部模型内对新测得的数据进行偏最小二乘回归分析,并应用自适应算法对模型参数、各模型之间的加权系数进行自动优化调整。算法能很好地解决新旧数据相互影响问题,以适应冷凝器水质及工况参数的动态变化,具有学习速度快、泛化能力强及鲁棒性强的特点。通过与各种工况下的污垢预测值比较,实验结果说明基于局部加权偏最小二乘回归学习算法的污垢模型预测精度比神经网络模型、渐近污垢模型有显著提高。     

基于最优PCNN模型的织物疵点自动检测

脉冲耦合神经网络(PCNN)直接来自于动物视觉特性的研究,它可以准确地检测到织物疵点的存在.但因目前理论上很难解释PCNN模型参数与图像识别效果之间的关系,为了获得较好的图像识别效果,需要多次的实验来选择PCNN模型参数.本文提出了一种根据织物纹理的特征,自动选择最优化PCNN模型参数的方法.实验结果表明,优化后PCNN模型可以有效地提取到纹理图像局部的灰度和空间邻近的特征信息,从而获得理想的织物疵点检测效果.     

面向智能移动终端关键制造过程质量建模及优化分析

针对目前智能移动终端制造过程存在产品质量一致性不高、影响产品质量指标因素不明确、质量分析智能化程度不高等问题，在智能移动终端SMT产线关键工艺机理研究基础上，关联产品质量与关键工艺参数，分析产品质量影响因素。以首道印锡工序为切入点，基于改进的k-means算法对SPI检测数据记录进行聚类分析，识别样本数据异常点。针对SPI检测异常数据基于Apriori算法构建产品质量与印锡工艺参数关联模型，以最小支持度和最小置信度为判断依据，分析产生异常质量指标的重要工艺因素。在此基础上，构建质量-工艺模型反向优化刮刀速度和压力、脱模速度和距离等印锡关键工艺参数，基于粒子群算法优化求解模型，在最优质量指标输出下最佳工艺参数动态组合，结果表明，当权重系数λ=0.1时，获得最佳工艺参数组合。     

基于遗传优化BP神经网络的发动机曲轴扭转减振器优化

发动机曲轴轴系的扭转振动会影响发动机的性能以及整车舒适度,对曲轴扭转减振器进行优化可有效降低曲轴扭转振动。首先,针对直列四缸汽油发动机曲轴轴系建立多自由度集总参数模型,求出不同谐次激振力矩响应的叠加结果;然后,以优化曲轴轴系扭振幅值为目标,建立曲轴扭转减振器优化设计的数学模型,应用遗传优化BP神经网络算法对扭转减振器进行优化;最后,在此基础上,将应用遗传优化BP神经网络算法和仅应用BP神经网络算法的优化结果进行对比,结果表明遗传优化BP神经网络模型的预测精度更高。将优化后的扭转减振器参数代入多自由度集总参数模型进行计算,得到与遗传优化BP神经网络算法预测值非常接近的曲轴轴系扭振幅值,进一步验证了遗传优化BP神经网络优化结果的准确性。     

基于补偿模糊神经网络的智能诊断系统

提出了一种基于补偿模糊神经网络的智能诊断系统,该系统将神经网络和补偿模糊逻辑相结合,采用动态、全局优化的运算,充分利用了相互间的优点.在神经网络的学习算法中,动态优化补偿模糊运算,使网络更适用、更优化.网络不仅能适当调整输入输出模糊隶属函数,也能借助于补偿逻辑算法动态优化相应的模糊推理,由于补偿模糊逻辑神经网络引入了补偿模糊神经元,能使网络从初始定义的模糊规则开始训练,使网络容错率更高,系统更稳定.仿真实验证明该模型在智能诊断中具有收敛速度快,诊断精度高,而且适应性强等优点.     

基于混合粒子群算法优化BP神经网络的机床热误差建模

为了降低机床热误差对主轴加工精度的影响,采用了混合粒子群算法优化BP神经网络结构,并对优化结果进行实验验证.引用了粒子群算法耦合遗传算法,给出BP神经网络结构简图,通过混合粒子群算法优化BP神经网络结构.构造机床热误差优化目标函数,采用混合粒子群算法优化目标函数,给出了混合粒子群算法优化BP神经网络流程图.建立BP神经网络热误差预测模型和BP神经网络热误差优化模型,采用三轴立式铣床对两种预测结果进行实验验证.实验结果表明:采用BP神经网络热误差预测模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为6.9μm和6.7μm;采用BP神经网络热误差优化模型,机床y轴、z轴预测结果与实验结果偏差最大值分别为3.3μm和3.5μm.采用混合粒子群算法优化BP神经网络结构,能够提高机床热误差预测精度.     

混合蛙跳脊波神经网络观测器电机故障诊断研究

针对牵引电机非线性、强耦合、时变的特点,提出一种基于混合蛙跳算法脊波神经网络观测器牵引电机故障诊断方法.该方法利用观测器生成残差,并通过对残差的分析实现故障检测与分离.首先将牵引电机模型分为线性函数部分和非线性函数部分,并利用脊波神经网络逼近这个非线性函数,然后在此基础上建立自适应观测器,并通过最优算法求出观测器反馈增益矩阵.为提高神经网络的收敛速度和逼近精度,利用混合蛙跳优化算法对神经网络参数进行优化.通过实验对混合蛙跳算法脊波神经网络观测器、RBF神经网络观测器以及BP神经网络观测器进行比较,结果表明,该方法的收敛速度较BP神经网络观测器提高了80.3％,故障诊断准确率提高41.5％.     

一种混沌神经网络在图像压缩中的应用

本文介绍了神经网络在图象压缩领域的应用，并且对前馈神经网络模型及其学习算法进行改进。在改进的模型中，隐层的每个神经元都附加上一个基于Logistic映射的伴随神经元。能够产生混沌现象。同时论述了这种混沌神经网络用于图像压缩的模型、原理、算法及关键技术。并通过仿真实验将这种模型应用于图像压缩中。其中的关键是算法，激活函数和压缩率等参数的选择。在固定压缩率和激活函数的条件下。将这种模型和最常用于图像压缩的标准BP网络模型进行了比较，结果表明这种混沌神经网络在压缩率。失真率等方面性能更好。从而使得重建图像效果更好。     

基于补偿模糊神经网络的智能诊断系统

提出了一种基于补偿模糊神经网络的智能诊断系统,该系统将神经网络和补偿模糊逻辑相结合,采用动态、全局优化的运算,充分利用了相互间的优点.在神经网络的学习算法中,动态优化补偿模糊运算,使网络更适用、更优化.网络不仅能适当调整输入输出模糊隶属函数,也能借助于补偿逻辑算法动态优化相应的模糊推理,由于补偿模糊逻辑神经网络引入了补偿模糊神经元,能使网络从初始定义的模糊规则开始训练,使网络容错率更高,系统更稳定.仿真实验证明该模型在智能诊断中具有收敛速度快,诊断精度高,而且适应性强等优点.