基于狼群算法的RBF神经网络模拟电路故障诊断

提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解,对数据的归一化处理,以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,使用狼群算法来优化训练RBF神经网络,以提高网络训练稳定性与诊断成功率。通过两个电路的诊断实例,来论述这些方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

船舶虚拟制造中狼群优化卷积神经网络的控制应用

为了优化虚拟工业制造的控制策略,采用狼群优化的卷积神经网络算法进行虚拟工业制造控制研究.首先根据虚拟工业制造任务和资源数据,建立任务-资源列表,并结合单位矩阵对任务-资源列表进行稀疏化,形成虚拟制造单元;接着建立卷积神经网络虚拟制造控制模型,并采用狼群算法对权重和偏置进行优化;最后以所有任务的平均制造时间为目标函数,对虚拟制造单元进行训练优化.船舶主机虚拟制造实验证明,相比于常用的控制算法,通过合理设置卷积核池化尺寸的狼群优化卷积神经网络算法能够获得平均制造时间的最优解.     

基于K均值与WPA-RBF神经网络模拟电路故障诊断

针对模拟电路故障诊断进行了研究,提出了一种新的方法。该方法包括haar的小波分解,对数据的归一化处理,以及用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值。首先用haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,这里用K均值优化RBF的中心向量和宽度,用狼群算法优化RBF的权值,以提高网络训练稳定性与诊断成功率。最终通过两个电路的诊断实例,来论述该方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

基于FLOM和LSTM的频谱感知算法

为解决现有频谱感知检测方法在Alpha噪声中性能下降的问题，提出一种基于FLOM(fractional low order moment, FLOM)和LSTM(long short-term memory, LSTM)神经网络的频谱感知算法。利用分数低阶矩在解决非高斯噪声下感知性能退化的强大能力以及长短期记忆神经网络在解决时序特性问题上的强大处理能力，设计一个频谱感知算法。不同于现有的基于能量和协方差矩阵等二阶统计量的频谱感知，利用FLOM对数据进行分数低阶预处理后，LSTM通过提取分数低阶协方差矩阵的特征进行决策。仿真结果表明，该算法比传统的频谱感知算法具有更高的检测概率。在低信噪比下，基于分数低阶矩阵感知的LSTM检测方案的检测概率比其它基于数据驱动的检测方法改善了至少15%。     

基于非监督学习神经网络的自动调制识别研究与实现

以非监督学习神经网络为主要研究对象,描述自组织网络的基本模型,分析传统自组织网络的训练算法,提出了一种基于自组织特征映射SOFM(Self-Organizing Feature Map)神经网络的通信信号自动调制识别方法。方法改进了训练算法中的学习率函数和邻域函数,提高了算法的收敛速度和性能,并将其应用在通信信号调制识别中。仿真实验检验基于SOFM神经网络的调制识别方法的性能,并与后向反馈(BP)神经网络加以比较,结果表明SOFM神经网络的调制识别方法具有较高的识别精度,改进后的训练算法提高了识别的有效性。     

基于RBF神经网络的网络安全态势感知预测研究

针对网络安全态势的感知问题,结合巨龙山和者磨山风电场的运行情况,文章提出了基于径向基函数(RBF)神经网络的网络安全态势预测模型,采用K-means聚类算法对网络参数进行优化并感知网络安全态势,并采用训练数据来训练该模型。训练结果表明,该方法能较准确的获得态势预测结果,具有较高的检测准确率,与BP神经网络预测对比也显示出更高的精度与更好的适应性。     

基于改进LSTM的认知无线电频谱感知模型及仿真

针对传统认知无线电频谱感知时间长、计算量大的问题，提出一种改进LSTM的无线电频感知算法。具体改进则是在三个门输入部分增加一个上一时间步的记忆单元作为输出状态值，从而提高神经网络的学习能力；以改进的LSTM为基础，构建改进LSTM的OFDM频谱感知模型。通过仿真实验对算法性能进行验证，仿真结果表明，提出的改进LSTM的OFDM信号频谱感知算法相较于传统频谱感知算法，可提高对认知无线电频谱的获取能力，具有更好的频谱感知性能。     

基于灰狼群智能最优化的神经网络PM2.5浓度预测

针对目前PM_2.5浓度测量成本高和测量过程繁杂等问题,建立了基于灰狼群智能最优化算法的神经网络预测模型。从非机理模型的角度,结合气象因素和空气污染物对上海市的PM_2.5浓度进行预测,并使用平均影响值分析了影响PM_2.5浓度的重要因素。使用灰狼群智能算法优化神经网络的过程中,引入了检验样本实时监控训练过程以避免发生"过训练"现象,确保建立的神经网络模型具有较好的泛化能力。实验结果表明：PM₁₀对PM_2.5的影响最为显著,其次是CO和前一天PM_2.5。选取2016年11月1日-12日的数据进行验证,其平均相对误差为13.46%,平均绝对误差为8μg/m³,与粒子群算法优化的神经网络、BP神经网络模型及支持向量回归（SVR）模型的误差相比,平均相对误差分别下降了约3个百分点、5个百分点和1个百分点。因此,使用灰狼算法优化的神经网络更适合上海市PM_2.5浓度的预测和空气质量的预报。     

自组织映射(SOM)型神经网络的实现

文章讨论了应用于自组织映射型神经网络的训练算法,该算法通过计算获胜神经元来找到最接近输入模式的节点,然后通过对网络连接权值的自组织,训练一个自组织竞争的神经网络,该网络通过一组输入数据可自行训练形成一个神经网络模型.     

改进的粒子群算法对RBF神经网络的优化

为了改进神经网络模型结构和参数的设置方法,提出了一种改进的粒子群优化径向基函数（RBF）神经网络的方法。该方法通过动态调整粒子群算法中的惯性权重因子,提高了算法的收敛速度和搜索全局最优值的能力。实验结果表明：基于改进的PSO算法训练的神经网络在函数逼近性能上优于自组织选取中心算法与标准PSO算法,提高了网络泛化能力和优化效果,有效地增强了网络对非线性问题的处理能力。     

SOM神经网络改进及在遥感图像分类中的应用*

针对自组织特征神经网络自身算法的特点和缺陷,采用遗传算法对网络进行改进,形成了基于遗传算法的自组织特征神经网络,并从输入向量、竞争层神经元数量设置和初始权向量设定三方面,结合遥感图像的特性对自组织特征映射网络遥感图像分类的方法进行了改进。将该方法应用于择西安地区的ETM+卫星遥感图像进行分类试验,结果表明,基于遗传算法的自组织特征映射网络使得遥感图像的分类精度更高,且该算法实现简单,具有一定的工程应用价值。     

基于BP神经网络的协作频谱感知技术

认知无线电技术可以利用主用户未使用的频谱资源来有效地提高频谱利用率。单用户感知技术虽然简单但可靠性较低,协作频谱感知技术可以显著地提高频谱感知的性能。现有的大部分协作感知都是在假设各认知用户的信噪比相同的前提下进行研究。然而在实际环境中,由于每个认知用户所处的环境不同,其信噪比不同,对融合中心判决的影响也不同。如何在提升检测性能的同时提升系统的能量效率是关键问题。提出一种基于BP(Back Propagation)神经网络的协作频谱感知技术,它利用频谱环境的历史信息,通过BP神经网络提高频谱感知性能。仿真结果表明,该算法可以在保证协作感知性能的同时减少参与协作的认知用户数,从而减少能量消耗。     

多选择背包问题离散狼群算法研究

狼群算法是一种通过模拟狼群的捕食行为和猎物分配方式提出的群体智能算法,为求解复杂组合优化问题提供了一种新的思路。目前狼群算法不能解决离散问题,以NP难中的经典问题——多选择背包问题的求解为研究对象,设计了基于离散空间的狼群算法。对于离散空间的狼群算法,通过将人工狼编码,重新设计了狼群的游走、奔袭和围捕过程,并设计了三个过程中的步长。把学习机制引入离散狼群算法,实现了人工狼之间的交流,且确立了自适应步长公式。结果表明：离散狼群算法成功实现了对离散问题的求解,为组合优化问题的求解提供了新方法。     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

基于差分进化的改进狼群算法研究

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题,提出一种基于差分进化的改进狼群算法（DWPA）。首先,通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进,降低算法计算耗费的同时提高了算法的全局搜索能力;然后,运用马尔可夫链理论证明了DWPA的收敛性;最后,对13个测试函数进行寻优测试并与WPA等4种算法进行对比分析。测试结果表明,DWPA具有良好的鲁棒性和全局搜索能力,在求解多峰、高维、不可分函数方面的寻优能力尤为突出。     

求解离散优化问题的元胞量子狼群演化算法

针对离散空间优化问题,提出了求解离散优化问题的元胞量子狼群演化算法,首先,为了提高算法的全局收敛速度,采用双策略量子位初始化方法和滑模交叉方法,分别生成量子狼群初始位置和产生头狼,实现种群多样性;其次,为了描述头狼与猎物间的距离以及增强狼群的遍历范围,采用二进制编码方式和元胞自动机中的演化规则,分别实现狼群中个体狼与猎物距离的精确描述和量子旋转角的选取调整;然后,为了证明该算法的收敛性能,采用泛函分析方法,实现了算法全局收敛性能的验证;最后,通过6个标准测试函数的仿真实验,并与狼群算法以及量子狼群算法的优化结果进行比较。实验结果表明,该算法具有较快的收敛速度和较好的全局寻优能力。     

基于协作频谱感知的智能电网通信网性能研究

将认知无线电频谱感知技术应用于智能电网的通信网中,可以有效提高频谱资源的利用率。现有研究仅考虑单用户单供电商,但是对需求响应管理性能与感知能耗权衡问题却没有给出理想的解决方案。建立基于多节点协作频谱感知的多用户单供电商智能电网通信网模型。在此基础上,为求解该模型需求响应管理和能耗感知性能权衡问题,提出基于多目标粒子群(MOPSO)的求解方法。仿真结果表明,所提协作频谱感知模型可以显著提高系统需求响应管理性能;MOPSO算法可实现系统需求响应管理性能和感知能耗的最佳权衡,有利于决策者根据实际要求灵活选择最优方案。     

An integer encoding grey wolf optimizer for virtual network function placement

This paper studies the virtual network function placement (VNF-P) problem in the context of network function virtualization (NFV), where the end-to-end delay of a requested service function chain (SFC) is minimized and the compute, storage, I/O and bandwidth resources are considered. To address this problem, an integer encoding grey wolf optimizer (IEGWO) is proposed. IEGWO has two significant features, namely an integer encoding scheme and a new wolf position update mechanism. The integer encoding scheme is problem-specific and offers a natural way to represent VNF-P solutions. The proposed wolf position update mechanism divides the wolf pack into two groups in each iteration, where one group performs exploitation while the other focuses on global exploration. It provides the search with a balanced local exploitation and global exploration during evolution. Performance evaluation has been conducted based on 20 test instances and IEGWO is compared with five state-of-the-art meta-heuristics, including the black hole algorithm (BH), the genetic algorithm (GA), the group counseling optimization (GCO), the particle swarm optimization (PSO) and the teaching–learning-based optimization (TLBO). Simulation results demonstrate that compared with BH, GA, GCO, PSO and TLBO, IEGWO achieves significantly better solution quality regarding the mean (standard deviation), boxplot and t-test results of the best fitness values obtained.     

基于狼群算法的短时高速交通流量预测仿真

由于传统的短时高速交通流量预测算法的受到函数逼近能力影响,极易陷入局部极值的问题,提出基于狼群算法的短时高速交通流量预测算法。构造型前馈小波神经网络算法在多维空间内对短时高速交通流量预测,需通过构造型前馈小波神经网络算法分析随机相关多维样本逼近能力,利用改进狼群算法的全局寻优能力,提升算法搜索精度,并完成目标的搜索,根据搜索结果获取优质的函数逼近值最优解,提升构造型前馈小波神经网络算法函数的逼近能力,获取最佳短时高速交通流量预测值。仿真结果显示,上述算法的短时高速交通流量预测效果显著优于小波神经网络预测算法,且本文算法的预测精度较高,具有较高的稳定性。